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
LabelU
LabelU是一个开源的数据标注工具，适用于需要对图像、视频、音频等数据进行高效标注的场景，以提升机器学习模型的性能和质量。它支持多种标注类型，包括标...
SliderSpace
SliderSpace 是一项创新技术，旨在提高扩散模型的可控性和可解释性。它通过自动发现模型内部的视觉知识，将其分解为直观的滑块，用户可以通过这些滑...
AI灵感PPT
AI灵感PPT是一款集成了多款实用AI办公工具的网站，能够满足用户在PPT幻灯片设计、AI绘图、AI配音、AI长文写作等方面的需求。该产品通过智能技术...
Knowledge Graph RAG
Knowledge Graph RAG 是一个开源的Python库，它通过创建知识图谱和文档网络来增强大型语言模型（LLM）的性能。这个库允许用户通过...
openai-realtime-api-nextjs
该项目是一个使用OpenAI实时API和WebRTC技术开发的WebRTC-based Voice AI stream application，以Ne...
createaicourse caic
改变您使用CreatiCourse创建课程的方式。这种高级的AI技术使您可以在创纪录的时间内设计一流的课程，从而节省了几个月的工作。只需输入您的主题，...
Bugasura Spaces
Bugasura Spaces是一个专为现代科技领导者打造的独家社区。它是一个AI助力的终极bug跟踪器，可以比MS Excel更快地报告、跟踪和关闭...
Pitchgrade
PitchGrade是一个演示文稿制作工具，提供简洁易用的界面和丰富的模板，帮助用户快速创建专业的演示文稿。通过PitchGrade，您可以轻松添加文...
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。
