苹果介绍 Ferret-UI 多模态大语言模型：更充分理解手机屏幕内容

4 月 10 日消息，苹果公司近日发布研究论文，展示了 Ferret-UI AI 系统，可以理解应用程序屏幕上的内容。3YS28资讯网——每日最新资讯28at.com

3YS28资讯网——每日最新资讯28at.com

以 ChatGPT 为代表的 AI 大语言模型（LLMs），其训练材料通常是文本内容。为了能够让 AI 模型能够理解图像、视频和音频等非文本内容，多模态大语言模型（MLLMs）因此孕育而生。3YS28资讯网——每日最新资讯28at.com

只是现阶段 MLLMs 还无法有效理解移动应用程序，这主要有以下几个原因：3YS28资讯网——每日最新资讯28at.com

1. 手机屏幕的宽高比，和大多数训练图像使用的屏幕宽高比不同。3YS28资讯网——每日最新资讯28at.com

2. MLLMs 需要识别出图标和按钮，但它们相对来说都比较小。3YS28资讯网——每日最新资讯28at.com

因此苹果构想了名为 Ferret-UI 的 MLLM 系统解决了这些问题：3YS28资讯网——每日最新资讯28at.com

与自然图像相比，用户界面屏幕的长宽比通常更长，包含的关注对象（如图标、文本）也更小，因此我们在 Ferret 的基础上加入了 "任意分辨率"，以放大细节并利用增强的视觉功能。3YS28资讯网——每日最新资讯28at.com

我们精心收集了大量初级用户界面任务的训练样本，如图标识别、查找文本和小部件列表。这些样本的格式都是按照带有区域注释的指令来设计的，以便于精确引用和接地。3YS28资讯网——每日最新资讯28at.com

为了增强模型的推理能力，我们进一步编制了高级任务数据集，包括详细描述、感知 / 交互对话和功能推理。3YS28资讯网——每日最新资讯28at.com

苹果在论文中表示相比较现有的 GPT-4V，以及其它 MLLMs 模型，Ferret-UI AI 模型更为优秀。3YS28资讯网——每日最新资讯28at.com

3YS28资讯网——每日最新资讯28at.com

3YS28资讯网——每日最新资讯28at.com

3YS28资讯网——每日最新资讯28at.com

3YS28资讯网——每日最新资讯28at.com

3YS28资讯网——每日最新资讯28at.com

附上参考地址3YS28资讯网——每日最新资讯28at.com

Ferret-UI: Grounded Mobile UI Understanding with Multimodal LLMs3YS28资讯网——每日最新资讯28at.com

本文链接：http://www.28at.com/showinfo-45-3949-0.html苹果介绍 Ferret-UI 多模态大语言模型：更充分理解手机屏幕内容

声明：本网页内容旨在传播知识，若有侵权等问题请及时与本网联系，我们将在第一时间删除处理。邮件：2376512515@qq.com

上一篇： OpenAI推出视觉增强版GPT-4 Turbo模型，简化开发流程

下一篇： 融合视觉能力，OpenAI 向开发人员提供 GPT-4 Turbo with Vision