鹅厂新智能体亮相！操纵手机水平媲美真人，GitHub一周获1.5K星
专业应用也一学就会
克雷西 发自 凹非寺
量子位 | 公众号 QbitAI
一不留神，大模型已经学会了操纵手机？
最近，腾讯最新多模态智能体框架AppAgent曝光，可以像人类一样操作各种应用。
比如在地图软件中输入目标地址，然后唤起导航。
或者想要发一封邮件，AppAgent也能轻松编写，然后直接在客户端中发送。
就算是“反人类”的验证码，也丝毫难不住AppAgent。
甚至是用Lightroom这样人类都不一定会的专业软件P图，也能三下五除二地完成。
而且它还可以观察人类操作，甚至是自主探索，不用教就能学会新的APP。
目前，该项目在GitHub上已经取得了1.5k星标。
操纵水平超越GPT4
为了更具体地评估AppAgent的表现，研究团队一共在10个不同的应用程序上测试了50个任务，其中还包括没有学习过的新APP或操作，结果它都能出色完成。
除了P图的效果由人工评判，AppAgent在其它九个APP上的表现，分别用成功率（SR）、奖励分数和平均步数来衡量。
在自动探索模式下时，AppAgent完成这些任务的成功率达到了73.3%，学习过DEMO之后可以提升到84.4%。
虽然离人类手工指导的95.6%还存在差距，但这样的表现已经远远超过了GPT-4。
而在使用Lightroom进行P图操作时，真人会对“参赛选手”的表现进行评价，评价的方式是对它们的作品效果进行排名而不是打分。
结果AppAgent自行学习DEMO后，表现的平均排名为1.95/3，略低于手工指导的1.75，但比GPT4的2.3还是高出不少。
那么，AppAgent优异表现的背后，采用了什么样的方法呢？
通过界面变化学习操作
研究人员给AppAgent设定了点击、长按、滑动、输入、返回和退出这六种预置操作。
后续的学习过程和操作方案，都是由这六种操作按一定顺序排列组合而成的。
模型方面，AppAgent的基础模型是多模态版的GPT4；工作流程则分为了探索和操作两个阶段。
探索阶段中，研究人员会把应用说明和标有界面中元素位置的XML文件，连同界面截图一起输入给模型。
然后模型通过分析不同截图之间的界面变化，学习APP的功能和操作逻辑。
以发送邮件为例，人类的操作过程被转换成六种预置操作的组合，然后被AppAgent学习。
到了操作阶段，AppAgent会调用学习后的知识库，对应用界面进行分析，了解界面中的功能并根据任务需要设计操作策略。
目前，AppAgent已有DEMO可供体验，暂只支持安卓手机，具体详情和使用方法可以到项目页中查看。
论文地址：
https://www.arxiv.org/abs/2312.13771
项目主页：
https://appagent-official.github.io/
GitHub页：
https://github.com/mnotgod96/AppAgent
- ChatGPT深夜更新：Mac版支持“读屏编程”，Windows版全员可用了2024-11-15
- 李飞飞吴佳俊团队推出具身智能决策能力评价基准，o1-preview登顶2024-11-14
- 小度为何押注AI眼镜？2024-11-13
- o1不是唯一路径！MIT新研究：在测试时训练，模型推理能力最高升至5.8倍2024-11-12
相关阅读
