蘋(píng)果介紹 Ferret-UI 多模態(tài)大語(yǔ)言模型：更充分理解手機(jī)屏幕內(nèi)容

        ICC訊  蘋(píng)果公司近日發(fā)布研究論文，展示了 Ferret-UI AI 系統(tǒng)，可以理解應(yīng)用程序屏幕上的內(nèi)容。

        以 ChatGPT 為代表的 AI 大語(yǔ)言模型（LLMs），其訓(xùn)練材料通常是文本內(nèi)容。為了能夠讓 AI 模型能夠理解圖像、視頻和音頻等非文本內(nèi)容，多模態(tài)大語(yǔ)言模型（MLLMs）因此孕育而生。

        只是現(xiàn)階段 MLLMs 還無(wú)法有效理解移動(dòng)應(yīng)用程序，這主要有以下幾個(gè)原因：

        1. 手機(jī)屏幕的寬高比，和大多數(shù)訓(xùn)練圖像使用的屏幕寬高比不同。

        2. MLLMs 需要識(shí)別出圖標(biāo)和按鈕，但它們相對(duì)來(lái)說(shuō)都比較小。

        因此蘋(píng)果構(gòu)想了名為 Ferret-UI 的 MLLM 系統(tǒng)解決了這些問(wèn)題：“與自然圖像相比，用戶界面屏幕的長(zhǎng)寬比通常更長(zhǎng)，包含的關(guān)注對(duì)象（如圖標(biāo)、文本）也更小，因此我們?cè)?Ferret 的基礎(chǔ)上加入了 "任意分辨率"，以放大細(xì)節(jié)并利用增強(qiáng)的視覺(jué)功能。

        我們精心收集了大量初級(jí)用戶界面任務(wù)的訓(xùn)練樣本，如圖標(biāo)識(shí)別、查找文本和小部件列表。這些樣本的格式都是按照帶有區(qū)域注釋的指令來(lái)設(shè)計(jì)的，以便于精確引用和接地。

        為了增強(qiáng)模型的推理能力，我們進(jìn)一步編制了高級(jí)任務(wù)數(shù)據(jù)集，包括詳細(xì)描述、感知 / 交互對(duì)話和功能推理?！?

        蘋(píng)果在論文中表示相比較現(xiàn)有的 GPT-4V，以及其它 MLLMs 模型，F(xiàn)erret-UI AI 模型更為優(yōu)秀。