上一篇
Qwen2vl-Flux是什么？一文让你看懂Qwen2vl-Flux的技术原理、主要功能、应用场景
ShowUI是什么？一文让你看懂ShowUI的技术原理、主要功能、应用场景
来源：卓商AI
发布时间：2025-04-05
关键字：
ShowUI概述简介
ShowUI是新加坡国立大学Show Lab和微软一起推出的视觉-语言-行动模型，能提升图形用户界面（GUI）助手的工作效率。模型基于UI引导的视觉令牌选择减少计算成本，用交错视觉-语言-行动流统一GUI任务中的多样化需求，并管理视觉-行动历史增强训练效率。ShowUI用小规模但高质量的指令跟随数据集，用256K数据实现75.1%的零样本截图定位准确率，训练速度提升1.4倍，展现出在GUI视觉代理领域的潜力。
ShowUI的功能特色
UI引导的视觉令牌选择：将屏幕截图构建为UI连接图，自适应地识别冗余关系，在自注意力模块中作为选择令牌的标准，减少计算成本。
交错视觉-语言-行动流：灵活地统一GUI任务中的多样化需求，有效管理视觉-行动历史，提高训练效率。
小规模高质量GUI指令跟随数据集：基于精心策划数据和采用重采样策略解决数据类型不平衡的问题，提高模型的准确性和效率。
零样本截图定位：在没有额外训练的情况下，直接对屏幕截图进行理解和操作的能力。
GUI自动化：自动化执行GUI任务，如点击、输入等，提高人机交互效率。
ShowUI的技术原理
UI引导的视觉令牌选择：
将屏幕截图分割成规则的补丁（patches），每个补丁作为一个节点。
识别具有相同RGB值的相邻补丁，构建UI连接图，将视觉冗余区域组合起来。
在自注意力模块中，基于UI连接图选择性地处理视觉令牌，减少计算量。
交错视觉-语言-行动流：
结构化GUI动作，以JSON格式表示，统一不同设备上的动作。
基于交替处理视觉、语言和行动数据，管理复杂的交互历史。
在训练中，用多轮对话方式，提高数据利用效率。
数据策划和重采样策略：
精心策划和选择高质量的训练数据，而不是简单地聚合所有可用数据源。
基于重采样策略，解决不同设备和任务类型之间的数据不平衡问题。
高效处理高分辨率UI截图：针对高分辨率UI截图，优化模型以有效处理长令牌序列，减少计算成本。
模型架构：
基于Qwen2-VL-2B模型，整合视觉编码器和语言大模型，处理视觉和文本数据。
基于特定的数据食谱和训练策略，提高模型在GUI任务中的性能。
ShowUI项目介绍
GitHub仓库：https://github.com/showlab/ShowUI
HuggingFace模型库：https://huggingface.co/datasets/showlab/ShowUI-desktop-8K
arXiv技术论文：https://arxiv.org/pdf/2411.17465
在线体验Demo：https://huggingface.co/spaces/showlab/ShowUI
ShowUI能做什么？
网页自动化：自动执行网页上的点击、输入、滚动等操作，用在自动化测试、数据抓取或模拟用户行为。
移动应用测试：在移动应用中自动化执行各种用户交互，如滑动、点击、填写表单等，进行应用功能测试。
桌面软件自动化：自动化桌面软件中的重复性任务，如文件管理、数据输入、设置调整等。
虚拟助手：作为虚拟助手的一部分，根据用户的自然语言指令执行特定的GUI操作。
游戏自动化：在支持自动化脚本的游戏中，自动执行角色移动、物品拾取、战斗等操作。
© 版权声明:本站所有原创文章版权均归卓商AI工具集及原创作者所有，未经允许任何个人、媒体、网站不得转载或以其他方式抄袭本站任何文章。
相关文章
-
CHANGER是什么？一文让你看懂CHANGER的技术原理、主要功能、应用场景2025-04-05 -
Kiroku是什么？一文让你看懂Kiroku的技术原理、主要功能、应用场景2025-04-05
-
Vision Search Assistant是什么？一文让你看懂Vision Search Assistant的技术原理、主要功能、应用场景2025-04-05
-
MVDrag3D是什么？一文让你看懂MVDrag3D的技术原理、主要功能、应用场景2025-04-05
-
Chonkie是什么？一文让你看懂Chonkie的技术原理、主要功能、应用场景2025-04-05
-
MSQA是什么？一文让你看懂MSQA的技术原理、主要功能、应用场景2025-04-05
卓商AI
AI爱好者的一站式人工智能AI工具箱，累计收录全球10,000⁺好用的AI工具软件和网站，方便您更便捷的探索前沿的AI技术。本站持续更新好的AI应用，力争做全球排名前三的AI网址导航网站，欢迎您成为我们的一员。
最新发布
1
2
3
4
5
6
7
8
9
10
猜你喜欢
productshots ai
productshots.ai是领先的生成AI工具，可创建令人惊叹的产品图像来吸引客户并推动转换。 productshots.ai帮助电子商务品牌通过...
Clevis
Clevis 是一个无需编写代码即可创建 AI 驱动应用的平台。通过其易于使用的界面和多种预构建的处理步骤，用户可以轻松构建和销售具有文本生成、图像处...
Anytalk
Anytalk是一个实时翻译和配音工具，支持多种语言的即时翻译。它通过浏览器扩展安装，能够将视频和音频流翻译成不同的语言。Anytalk提供高达97%...
VanillaHR
VanillaHR是一款AI招聘平台，提供全方位的招聘解决方案，根据特定的招聘需求，帮助企业筛选、吸引、评估和面试最佳候选人。功能包括集成日历、提高招...
FinGPT
FinGPT 是一个开源的366大语言模型，用于366领域的自然语言处理。它可以根据366数据进行轻量级适应，提供366语言建模的能力。优势是适应性强...
Bard PDF
Bard PDF是一个免费的交互式平台，专注于提供处理和协作PDF文件的强大功能。它提供功能如PDF内容摘要、表格图片和文本提取、直接在PDF上添加注...
Macro PDF
Macro 是一款基于人工智能技术的 PDF 编辑和阅读工具，旨在通过智能化功能提升用户处理 PDF 文档的效率。它利用 AI 技术为用户提供即时语言...
AI Surge Cloud
低代码数据融合平台帮助企业以5-10倍的速度交付数据，为他们提供所需的敏捷性和灵活性，提高工作效率。该平台提供数据准备和探索性数据分析的低代码多人员解...
AI爱好者的一站式人工智能AI工具箱，累计收录全球10,000⁺好用的AI工具软件和网站，方便您更便捷的探索前沿的AI技术。本站持续更新好的AI应用，力争做全球排名前三的AI网址导航网站，欢迎您成为我们的一员。
