上一篇
MultiBooth是什么？一文让你看懂MultiBooth的技术原理、主要功能、应用场景
Aria-UI是什么？一文让你看懂Aria-UI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
Aria-UI概述简介
Aria-UI是香港大学和Rhymes AI一起推出的为图形用户界面（GUI）定位任务设计的大型多模态模型。基于纯视觉方法，不依赖于HTML或AXTree等辅助输入，用大规模、多样化的数据合成流程，从Common Crawl和公开数据中生成高质量的元素描述和指令样本，适应不同环境下的多样化指令。Aria-UI创新性地整合动态动作历史信息，用文本或文本-图像交错格式增强模型在多步任务场景中的定位能力。在包括离线和在线代理任务的广泛基准测试中，Aria-UI均取得优异的性能，展现出强大的零样本泛化能力和跨平台适用性，成为通用GUI定位任务的有力解决方案。
Aria-UI的功能特色
GUI元素定位：将语言指令准确地映射到GUI中的目标元素，实现元素的精确定位，为后续的交互操作提供基础。
多模态输入处理：处理包括GUI图像、文本指令、动作历史等多种模态的输入信息，充分理解和利用多模态数据中的丰富信息。
多样化指令适应：基于大规模、多样化的数据合成流程生成的多样化指令样本，有效适应不同环境下的各种指令表达方式。
动态上下文理解：整合动态动作历史信息，用文本或文本-图像交错格式，在多步任务场景中理解当前的动态上下文，为准确的元素定位提供重要参考。
高分辨率图像处理：支持高达3920×2940的图像分辨率，将图像分割成小块处理，显著扩展可处理的图像尺寸范围。
Aria-UI的技术原理
纯视觉方法：采用纯视觉方法，直接从GUI图像中提取视觉特征，用视觉信息理解和定位目标元素。
多模态MoE模型：基于Aria多模态MoE（Mixture of Experts）模型构建，具有3.9B激活参数，擅长处理多模态数据。
数据合成与训练：基于两阶段的数据合成流程，从Common Crawl和公开数据中生成高质量的元素描述和多样化指令样本，覆盖Web、桌面和移动三大GUI环境，为模型训练提供大量、多样化的训练数据，增强模型对不同指令和元素的识别能力。
上下文感知数据扩展：用公开的代理轨迹数据模拟具有上下文的定位任务，构建文本动作历史和文本-图像交错历史两种上下文设置，基于数据合成流程为轨迹数据中的所有定位步骤生成详细的逐步指令，让模型在动态环境中更好地理解和执行任务。
超分辨率支持：将图像分割成小块并进行处理，支持高达3920×2940的图像分辨率，保持图像的细节和准确性。
Aria-UI项目介绍
项目官网：https://ariaui.github.io/
GitHub仓库：https://github.com/AriaUI/Aria-UI
HuggingFace模型库：https://huggingface.co/Aria-UI
arXiv技术论文：https://arxiv.org/pdf/2412.16256
Aria-UI能做什么？
自动化测试：Web应用测试自动点击网页按钮、输入信息，验证功能是否正常。
用户交互辅助：语音指令控制家居设备，如“开灯”自动点击开关按钮。
智能客服：电商平台客服快速定位产品详情，回答用户咨询问题。
教育行业：自动操作代码编辑器，演示编程过程和结果。
自动化办公：自动操作财务软件，生成报表，提高工作效率。
© 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
sketch to image
用草图来增强草图的图像 - 我们的AI神奇地将它们转化为令人惊叹的图像。从各种样式中进行选择，并随着图纸的栩栩如生。将静止图像转换为视频以进行动态显示...
The AI Scientist
The AI Scientist 是一个全面的系统，旨在实现完全自动化的开放式科学发现。它使得基础模型，如大型语言模型（LLMs），能够独立进行研究。...
floatbot
FloatBot是一个强大的基于SAAS的对话AI平台。使用NOCODE设置，您可以构建聊天机器人，VoiceBot，AI代理协助和转录解决方案。充分...
ReviewPower
ReviewPower是一个集G2和Capterra评论于一体的平台，提供强大的功能，帮助用户从可信评论中获取新的价值。它通过结合两家平台的评论，使用...
NotHotDog
NotHotDog是一个专注于自动化测试AI代理和语音AI应用的平台。它通过提供自动化、可复用的语音测试案例，简化了对语音API、WebSocket ...
Make-An-Audio 2
Make-An-Audio 2是一种基于扩散模型的文本到音频生成技术，由浙江大学、字节跳动和香港中文大学的研究人员共同开发。该技术通过使用预训练的大型...
Opera Browser Operator
Opera Browser Operator 是一款集成在 Opera 浏览器中的 AI 助手，能够理解用户的自然语言指令并直接在浏览器中完成各种任务...
LegalLint
LegalLint 是一款专为法律领域设计的文档准备工具，旨在提高文档准备的效率和准确性。它具备以下功能：自动替换引用、插入注释块、检测和突出显示文档...
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。
