操作系統智能交互難題。

原標題：解放雙手！OSCAR讓操作系統交互實現自然語言「」
文章來源：機器之心
內容字數：4967字

機器之心AIxiv專欄：OSCAR——開啟操作系統交互新時代的開源解決方案

本文介紹了加拿大蒙特利爾大學和Mila研究所研究團隊的開源項目OSCAR，一個用于操作系統UI自動化的新型智能體。該研究已被ICLR錄用，其創新之處在于結合了靈活的狀態機和動態重規劃能力，實現了在不同操作系統（Windows、Ubuntu、Android）上的泛化與驗證。

1. 桌面任務UI自動化的挑戰

現有的基于多模態大型語言模型（MLLM）的智能體在處理復雜任務時，存在通用性差、難以適應復雜工作流、缺乏實時反饋和自適應調整等問題。尤其是在面對動態的UI環境和多種操作路徑時，傳統智能體難以應對。

2. OSCAR的創新設計

為了解決上述挑戰，OSCAR采用了以下創新設計：

1. 狀態機架構：OSCAR 通過“初始化-觀察-規劃-執行-驗證”循環處理任務，并利用實時反饋進行動態重規劃，提高效率和適應性。
2. 視覺和語義雙重UI定位：OSCAR 結合Set-of-Mark（SoM）提示技術、可訪問性（A11Y）樹和描述性標簽，實現精準的UI元素定位。
3. 任務驅動重新規劃：OSCAR 將用戶指令分解為子任務，并根據反饋對特定子任務進行重規劃，提高效率并防止錯誤傳播。
4. 基于代碼的動作：OSCAR 利用生成的語義定位信息，通過PyAutoGUI庫生成控制代碼，精確控制操作系統。

3. OSCAR的實驗驗證

研究人員在GAIA、OSWorld、AndroidWorld等基準數據集上對OSCAR進行了評估，結果顯示：

1. 基準測評成績突出：OSCAR在所有基準測試中均取得了最佳成績，尤其在GAIA基準測試中最復雜的Level 3任務上，成功率達到13.5%，幾乎是之前最先進方法的兩倍。
2. 規劃效率優勢顯著：OSCAR在成功案例中重新規劃次數更少，效率更高；在失敗案例中，其重新規劃冗余度也明顯低于其他智能體系統。

4. 結語

OSCAR作為一款開源的通用智能體，憑借其靈活的狀態機和動態重規劃能力，在桌面和智能手機操作系統任務中展現出強大的適應性和有效性。它為自動化工作流提供了高效通用的解決方案，有望成為提升生產力的有力工具，并推動通用人工智能與數字世界實現更完美的交互。

聯系作者

文章來源：機器之心
作者微信：
作者簡介：專業的人工智能媒體和產業服務平臺