清華大學與智譜 AI 聯(lián)合推出 CogAgent：基于多模態(tài)大模型的 GUI Agent，具備視覺問答、視覺定位等能力

AIGC動態(tài)歡迎閱讀

原標題：清華大學與智譜 AI 聯(lián)合推出 CogAgent：基于多模態(tài)大模型的 GUI Agent，具備視覺問答、視覺定位等能力
關(guān)鍵字：解讀,模型,視覺,圖像,分辨率
文章來源：AI前線
內(nèi)容字數(shù)：3775字

內(nèi)容摘要：

作者 | 凌敏
近日，清華 KEG 實驗室與智譜 AI 聯(lián)合推出了視覺 GUI Agent——CogAgent，CogAgent 是一個通用的視覺理解大模型，具備視覺問答、視覺定位（Grounding）、GUI Agent 等多種能力，可接受 1120×1120 的高分辨率圖像輸入。在 9 個經(jīng)典的圖像理解榜單上（含 VQAv2，STVQA, DocVQA，TextVQA，MM-VET，POPE 等）取得了通用能力第一的成績，并在涵蓋電腦、手機的 GUI Agent 數(shù)據(jù)集上（含 Mind2Web，AITW 等），大幅超過基于 LLM 的 Agent，取得第一。
在網(wǎng)頁 Agent 數(shù)據(jù)集 Mind2Web 上的性能
在手機 Agent 數(shù)據(jù)集 AITW 上的性能
為了更好地促進多模態(tài)大模型、Agent 社區(qū)的發(fā)展，目前團隊已將 CogAgent-18B 開源至 GitHub 倉庫，并提供了網(wǎng)頁版 Demo。
論文鏈接：https://arxiv.org/pdf/2312.08914.pdf
GitHub 項目地址（含開源模型、網(wǎng)頁版 Demo）：https://github.com

原文鏈接：清華大學與智譜 AI 聯(lián)合推出 CogAgent：基于多模態(tài)大模型的 GUI Agent，具備視覺問答、視覺定位等能力

聯(lián)系作者

文章來源：AI前線
作者微信：ai-front
作者簡介：面向AI愛好者、開發(fā)者和科學家，提供AI領(lǐng)域技術(shù)資訊、一線業(yè)界實踐案例、搜羅整理業(yè)界技術(shù)分享干貨、AI論文解讀。每周一節(jié)技術(shù)分享公開課，助力你全面擁抱人工智能技術(shù)。