蘋果公司近日發(fā)布了一款名為MLLLLM Ferret-UI的新型機器學(xué)習(xí)語言模型,旨在提升對移動應(yīng)用用戶界面(UI)的理解。這款模型經(jīng)過特別優(yōu)化,能夠處理移動UI屏幕上的各種任務(wù),并具備指向、定位和推理等能力。業(yè)界普遍猜測,這一技術(shù)可能會被應(yīng)用在即將發(fā)布的iOS18中,提供類似通過Siri自動操作應(yīng)用界面的功能。
Ferret-UI模型是專為提高對移動UI屏幕理解而設(shè)計的MLLM。它的一個關(guān)鍵特點是“任何分辨率”技術(shù),該技術(shù)通過放大細節(jié)來解決UI屏幕中小型對象的識別問題,從而顯著提高模型對UI元素的理解精度。
UI屏幕的理解是一個復(fù)雜的問題,因為它不僅要求模型能夠理解屏幕上的內(nèi)容,還要能夠識別和操作具體的UI元素。與傳統(tǒng)的自然圖像相比,UI屏幕通常具有更多的長寬比和更小的元素,這些元素對于模型來說是一個挑戰(zhàn)。
為了克服這些挑戰(zhàn),F(xiàn)erret-UI采用了“任何分辨率”技術(shù)。該技術(shù)通過將屏幕分割成基于原始寬高比的子圖像,并對每個子圖像進行單獨編碼,從而在不丟失重要視覺信號的情況下放大細節(jié)。這種方法使得模型能夠更準確地識別和理解UI屏幕上的小型對象。
在訓(xùn)練Ferret-UI時,收集了從基礎(chǔ)UI任務(wù)到高級任務(wù)的廣泛數(shù)據(jù)樣本。這些樣本被格式化為帶有區(qū)域注釋的指令遵循格式,以便于模型進行精確的引用和定位。此外,為了提高模型的推理能力,還特別編制了一個包含詳細描述、感知/交互對話和功能推斷等高級任務(wù)的數(shù)據(jù)集。
Ferret-UI的架構(gòu)基于已經(jīng)在自然圖像的引用和定位任務(wù)中表現(xiàn)出色的Ferret模型。為了適應(yīng)UI屏幕的特點,F(xiàn)erret-UI進行了架構(gòu)調(diào)整,包括集成“任何分辨率”技術(shù)和使用預(yù)定義的網(wǎng)格配置來劃分全圖圖像。此外,為了全面評估模型的能力,還建立了一個包含所有研究任務(wù)的綜合測試基準。
在高級任務(wù)中,F(xiàn)erret-UI的對話能力表現(xiàn)突出,尤其是在詳細描述和交互對話任務(wù)中。模型能夠生成與視覺組件相關(guān)的詳細討論,并提出以特定目標為導(dǎo)向的行動計劃。此外,F(xiàn)erret-UI還能夠通過功能推斷來解釋屏幕的整體目的,顯示出在理解和生成自然語言指令方面的高級能力。
文章內(nèi)容僅供閱讀,不構(gòu)成投資建議,請謹慎對待。投資者據(jù)此操作,風(fēng)險自擔。
2024年的Adobe MAX 2024發(fā)布會上,Adobe推出了最新版本的Adobe Creative Cloud。
奧維云網(wǎng)(AVC)推總數(shù)據(jù)顯示,2024年1-9月明火炊具線上零售額94.2億元,同比增加3.1%,其中抖音渠道表現(xiàn)優(yōu)異,同比有14%的漲幅,傳統(tǒng)電商略有下滑,同比降低2.3%。
“以前都要去窗口辦,一套流程下來都要半個月了,現(xiàn)在方便多了!”打開“重慶公積金”微信小程序,按照提示流程提交相關(guān)材料,僅幾秒鐘,重慶市民曾某的賬戶就打進了21600元。
華碩ProArt創(chuàng)藝27 Pro PA279CRV顯示器,憑借其優(yōu)秀的性能配置和精準的色彩呈現(xiàn)能力,為您的創(chuàng)作工作帶來實質(zhì)性的幫助,雙十一期間低至2799元,性價比很高,簡直是創(chuàng)作者們的首選。
9月14日,2024全球工業(yè)互聯(lián)網(wǎng)大會——工業(yè)互聯(lián)網(wǎng)標識解析專題論壇在沈陽成功舉辦。