上一篇
VQAScore是什么？一文让你看懂VQAScore的技术原理、主要功能、应用场景
AndroidLab是什么？一文让你看懂AndroidLab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
AndroidLab概述简介
AndroidLab是用在训练和系统评估Android自主代理的框架，集成文本和图像模态操作环境，统一行动空间和可重现基准测试。AndroidLab支持大型语言大模型和多模态模型，包含138个任务，覆盖九个应用。基于AndroidLab，开发Android指令数据集，提升开源模型的成功率。框架缩小开源与闭源模型性能差距，推动开源解决方案发展，并在GitHub开源。
AndroidLab的功能特色
多模态操作环境：提供标准化的多模态操作环境，支持大型语言大模型（LLMs）和多模态模型（LMMs）在相同的操作空间内进行交互。
基准测试：设计一个包含138项任务的基准测试，覆盖九个常见应用，任务类型包括操作任务和查询任务，涉及真实世界的复杂交互场景。
评估指标：引入任务完成率（SR）、子目标成功率（Sub-SR）、反向冗余率（RRR）和合理操作比率（ROR）等评估指标，精准评估代理的任务表现。
数据集构建：创建Android Instruct数据集，结合自动化探索与人工标注，生成高质量的操作数据，提升开源模型在任务完成率和操作效率上的表现。
模型训练与优化：支持对开源和闭源模型进行训练和优化，基于指令调优显著缩小开源与闭源模型之间的性能差距。
AndroidLab技术原理
操作模式：
XML模式：为文本输入的LLMs设计，基于压缩XML信息传递界面状态，模型直接选择元素执行操作。
SoM模式：针对LMMs的设计，用Set-of-Mark方法，将屏幕截图与标记信息结合，模型选择带有编号的标记元素进行操作。
推理与操作框架：
ReAct框架：基于逐步推理和操作输出，模型输出操作的同时展示中间推理过程。
SeeAct框架：推理与操作分离，分两轮交互进行，第一轮模型生成详细的推理步骤，第二轮执行具体操作。
任务设计与重现性：每个任务设计多个子目标，用XML树结构匹配来验证每个子目标的完成情况，确保结果准确性和操作的高效性。
评估系统：基于任务完成的评估系统，直接从设备和屏幕状态判断，提供全面和精确的代理性能评估。
数据集与模型训练：基于自动化探索和人工标注构建数据集，训练和微调模型，提升模型在多模态与文本输入任务中的表现。
AndroidLab项目介绍
GitHub仓库：https://github.com/THUDM/Android-Lab
arXiv技术论文：https://arxiv.org/pdf/2410.24024
AndroidLab能做什么？
自动化测试：用在移动应用的自动化测试，模拟用户操作检测应用的功能和性能。
智能助理开发：开发理解和执行复杂用户指令的智能助理，如语音助手和聊天机器人。
人机交互研究：研究和改进人机交互方式，特别是在移动设备上，如何让机器更好地理解和响应人类指令。
人工智能研究：提供一个实验平台，研究和开发大型语言大模型（LLMs）和多模态模型（LMMs）在实际应用中的表现。
教育和培训：作为教育工具，帮助学生和开发人员理解Android操作系统的工作原理和应用开发。
© 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
Kokoro TTS
Kokoro TTS是一款专注于文本转语音的AI模型，其主要功能是将文本内容转换为自然流畅的语音输出。该模型基于StyleTTS 2架构，拥有8200...
SyncAnimation
SyncAnimation 是一种创新的音频驱动技术，能够实时生成高度逼真的说话头像和上半身动作。它通过结合音频与姿态、表情的同步技术，解决了传统方法...
mindreader
MindReader可以帮助您通过AI分析更好地吸引客户。我们的发动机利用语言学和相学术来深入了解客户的偏好和沟通习惯，以优化沟通。充分利用与Mind...
Step-Audio
Step-Audio是首个生产级开源智能语音交互框架，整合了语音理解与生成能力，支持多语言对话、情感语调、方言、语速和韵律风格控制。其核心技术包括13...
Prompt Theory
Prompt Theory是一个让用户猜测生成的图片的娱乐游戏。它可以与朋友一起玩，也可以独自挑战。该游戏由AE Studio和SDS开发，旨在提供乐...
Datrics AI Data Analyst
Datrics AI Data Analyst是一个为商业用户提供的AI驱动的数据分析平台，旨在通过快速准确的数据分析帮助企业做出更明智的决策。该平台...
chatra
利用Chatra的多通道客户支持平台的力量与您的网站上的访问者互动，并与客户建立长期的关系。通过实时聊天，聊天机器人，电子邮件和社交消息渠道轻松与他们...
FlexEdit.app
FlexEdit.app 是一个创新的指令编辑平台，旨在改变用户创建和分享指导的方式。它适用于管理制造流程、软件指南或逐步教程等多种场景。该平台允许用...
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。
