AndroidGen是什么?一文让你看懂AndroidGen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

AndroidGen概述简介

AndroidGen 是智谱技术团队推出增强基于大语言大模型(LLM)的 Agent 能力的框架,特别是在数据稀缺的情况下。框架通过收集人类任务轨迹基于这些轨迹训练语言大模型,开发出无需人工标注轨迹的 Agent,显著提升 LLM 执行复杂任务的能力。

AndroidGen的功能特色

无需人工标注的数据收集与训练:AndroidGen 能在无需人工标注轨迹的情况下,通过收集人类任务轨迹并基于这些轨迹训练语言大模型,开发出高效的 Agent。

增强 Agent 的任务执行能力:通过四个核心模块(ExpSearch、ReflectPlan、AutoCheck 和 StepCritic),AndroidGen 显著提升了 LLM 执行复杂任务的能力。

xpSearch(经验搜索):通过检索已完成的类似轨迹,使 LLM 进行上下文学习,从而提升 Agent 的能力,帮助其实现从简单任务到复杂任务的泛化。

ReflectPlan(反思计划):对当前环境进行自我反思并更新计划状态,增强 Agent 的长期推理能力。

AutoCheck(自动检查):主动验证每个 Agent 操作的有效性,降低因操作失误导致任务失败的风险。

StepCritic(步骤评估):将任务分解为多个子目标,并提供逐步轨迹评估,为模型优化提供细粒度标签。

高效的数据收集管道:AndroidGen 构建了一个高效的数据收集管道,能生成大量高质量的 Android 浏览轨迹。

AndroidGen的技术原理

模型训练:采用 LoRA 技术,针对自动构建的数据集对 GLM-4-9B 和 Llama-3-70B 进行微调,得到 Android Agent 模型。无需人工标注轨迹,通过将轨迹中的每一步作为独立样本进行训练,充分利用了数据集中的信息。

混合规划和执行步骤:将规划和执行步骤混合起来进行微调,使 LLM 能够同时具备规划和执行的能力。

数据收集流程:

任务制定:基于 GPT-4o 根据 AndroidWorld 中的指令生成约 300 条任务指令。

Agent 采样:基于 AndroidWorld 和 GPT-4o 对每个任务的轨迹进行采样。

轨迹记录:记录每一步的环境和操作信息,构建可复现的 Android 导航轨迹。

轨迹评估:使用 StepCritic 对记录的轨迹进行评估,确保每个子目标都已完成。

轨迹增强:扩充高质量数据集,最终构建了一个包含 1000 多个轨迹的数据集。

AndroidGen的性能效果

AndroidWorld 基准测试:

AndroidGen 显著提升了相同基础模型 Agent 的能力,与 M3A 和 SeeAct 相比,性能提升更为显著。

AndroidGen + GPT-4o 的平均得分达到了 46.8,远超其他组合。

模型参数更小且开源的 GLM-4-9B + AndroidGen 的平均得分,超过了模型参数更大且闭源的 GPT-4o + M3A。

AitW(Android in the Wild) 和八款全球流行的移动应用程序(如 Google Maps、YouTube 等)的评测中,AndroidGen 也表现出色,在真实设备环境中对自然语言指令的理解和交互能力。

AndroidGen能做什么?

自动化任务处理:通过自然语言指令,Agent 可以自动完成如发送邮件、设置提醒、查询信息等任务。

跨应用操作:Agent 能在不同应用之间进行交互,完成如从一个应用复制数据到另一个应用等操作。

智能导航:在 Android 设备上,Agent 可以根据用户指令进行导航,例如打开特定的应用、查找文件等。

智能交互:通过自然语言理解,Agent 能与用户进行交互,提供更智能的用户体验。

© 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。
卓商AI
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。

猜你喜欢
  • Any Image to 3D
    Any Image to 3D Any Image to 3D是一款创新的AI系统,可以将复杂的2D图片转换为3D模型。它消除了生成3D内容的技术难题,使得任何人都可以轻松地生成3D...
  • 免费在线转换文字为语音
    免费在线转换文字为语音 该产品是一个先进的在线文字转语音工具,使用人工智能技术将文本转换为自然逼真的语音。它支持多种语言和语音风格,适用于广告、视频旁白、有声书制作等场景,增...
  • Optic
    Optic Optic是一款基于AI的会议记录工具。它可以在会议过程中自动记录关键信息,生成会议摘要和待办事项,并可以一键发送会议跟进邮件。它整合了文字识别、语音...
  • Base for Music
    Base for Music Base for Music是为所有音乐行业专业人士设计的工具。我们的工具将帮助您快速发展您自己或您艺人的粉丝群体。...
  • WeST
    WeST WeST是一个开源的语音识别转录模型,以300行代码的简洁形式,基于大型语言模型(LLM)实现语音到文本的转换。它由一个大型语言模型、一个语音编码器和...
  • cupcut
    cupcut Capcut是一位直观的视频编辑器,其功能旨在使视频创建更加高效和有趣。它的多合一编辑套件包括用于创建高质量视频的高级工具,例如动画文本,配音,声音效...
  • Brainly
    Brainly Brainly 是一个在线学习平台,旨在为学生提供作业帮助和学习支持。它汇集了数百万学生和专家,形成一个庞大的知识共享社区。通过 AI 辅导和实时专家...
  • chromakopia generator
    chromakopia generator 通过Chromakopia Generator提升您的在线状态。设计量身定制的Chromakopia字体和名称图像。自定义颜色和字体尺寸,并独家化身。...