AgentCPM-GUI – 清華聯(lián)合面壁智能開源的端側(cè)GUI智能體模型

AgentCPM-GUI是什么

AgentCPM-GUI 是由清華大學(xué)與面壁智能團隊聯(lián)合開發(fā)的一款開源端側(cè)圖形用戶界面（GUI）代理，專為中文應(yīng)用進行優(yōu)化。基于 MiniCPM-V 模型（80 億參數(shù)），該系統(tǒng)能夠接收智能手機的屏幕截圖，并自主完成用戶指定的任務(wù)。通過對大規(guī)模中文安卓應(yīng)用界面數(shù)據(jù)的預(yù)訓(xùn)練，AgentCPM-GUI 顯著增強了對 GUI 元素的理解和定位能力。在中文 Grounding Benchmark 和 Agent Benchmark 上，該產(chǎn)品均達到了最先進的性能標(biāo)準(zhǔn)，成為首個針對中文應(yīng)用進行精細優(yōu)化的開源 GUI 代理。

AgentCPM-GUI的主要功能

• 中文應(yīng)用操作：能夠理解并操作多種中文應(yīng)用程序，例如高德地圖、大眾點評、嗶哩嗶哩和小紅書等。
• 任務(wù)自動化執(zhí)行：接受用戶的指令后，自動拆分任務(wù)步驟，并在相應(yīng)應(yīng)用中精確執(zhí)行，例如下單、播放視頻等。
• 高質(zhì)量 GUI 定位：能夠準(zhǔn)確定位屏幕上的按鈕、輸入框、標(biāo)簽等各種 GUI 元素。
• OCR 定位與識別：能夠識別屏幕中的文本信息，并根據(jù)文本內(nèi)容執(zhí)行相應(yīng)的操作。

AgentCPM-GUI的技術(shù)原理

• 預(yù)訓(xùn)練：基于大規(guī)模中文安卓應(yīng)用界面的數(shù)據(jù)進行預(yù)訓(xùn)練，覆蓋了常見的按鈕、輸入框、標(biāo)簽和圖標(biāo)等通用 GUI 控件。通過高質(zhì)量的 GUI Grounding 預(yù)訓(xùn)練，提升了模型對視覺界面元素的理解與定位能力，同時具備 OCR Grounding 能力，能夠準(zhǔn)確定位和識別屏幕中的文本信息。
• 強化微調(diào)（RFT）：設(shè)計了動作格式獎勵、動作類型獎勵和動作參數(shù)獎勵三個維度的獎勵函數(shù)，以引導(dǎo)模型自主生成高質(zhì)量的思維鏈過程。在獎勵函數(shù)的引導(dǎo)下，模型不斷優(yōu)化策略，提升任務(wù)執(zhí)行的成功率。
• 緊湊動作空間設(shè)計：采用緊湊的 JSON 格式，將動作平均長度壓縮至 9.7 個 token，減少推理過程中的計算和內(nèi)存需求。這種設(shè)計使模型更適合在移動設(shè)備上部署，加快端側(cè)推理速度，并緩解隱私安全問題。

AgentCPM-GUI的項目地址

• GitHub倉庫：https://github.com/OpenBMB/AgentCPM-GUI
• HuggingFace模型庫：https://huggingface.co/openbmb/AgentCPM-GUI

AgentCPM-GUI的應(yīng)用場景

• 智能助手：幫助用戶通過語音或文字指令完成各種應(yīng)用操作，如點外賣、播放音樂等。
• 自動化測試：用于自動化測試中文應(yīng)用的功能和界面，從而提高測試效率。
• 老年關(guān)懷：簡化老年人使用智能手機的操作，例如視頻通話、查看天氣等。
• 視障人士輔助：結(jié)合語音指令和屏幕閱讀器，幫助視障人士更便捷地使用應(yīng)用。
• 企業(yè)應(yīng)用自動化：自動執(zhí)行企業(yè)中的重復(fù)性任務(wù)，如數(shù)據(jù)錄入和報表生成，從而提升工作效率。

常見問題

• 如何安裝AgentCPM-GUI？：用戶可以通過訪問GitHub倉庫獲取詳細的安裝指南。
• AgentCPM-GUI支持哪些設(shè)備？：該工具主要支持運行安卓系統(tǒng)的智能手機。
• 如何提高任務(wù)執(zhí)行的準(zhǔn)確性？：確保提供清晰的指令，并使用高質(zhì)量的屏幕截圖，以便系統(tǒng)更好地理解用戶需求。
• 使用AgentCPM-GUI是否安全？：AgentCPM-GUI設(shè)計時考慮了用戶隱私，數(shù)據(jù)處理過程遵循嚴格的隱私保護標(biāo)準(zhǔn)。