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
roomGPT™
roomGPT™是一个使用人工智能技术的在线家居设计工具，用户可以通过拍照上传房间照片，然后在8个以上的主题中重新设计房间。roomGPT™不仅可以帮...
ApolloAI
ApolloAI是一款人工智能平台，提供AI图像、视频、音乐、语音合成等功能。用户可以通过文本或图片输入生成多种类型的内容，具备商业使用权。定价灵活，...
gamma
Gamma是一种AI驱动的媒介，可创建现代，引人入胜的内容，没有格式或设计工作。它的智能AI技术可帮助您单击一个按钮快速生成演示，网页和文档。...
PhotoTag.ai
PhotoTag.ai是一个AI图像标签生成器，可以帮助用户快速生成准确、相关的关键词、标题和描述。适用于股票摄影师、AI专家等。用户只需点击一次，即...
Tana
Tana 是一款基于 AI 的知识管理和生产力工具，旨在通过智能标签、语音备忘录等功能，帮助用户将笔记转化为任务、项目或其他形式的内容。它强调灵活性和...
Applio
Applio是一个开源生态系统，主要提供先进的AI语音克隆技术。它的主要优点是创新性、开放源代码和先进的AI语音克隆技术。Applio的背景信息是作为...
reloc tech
Reloc-Tech为技术人才提供了量身定制的搬迁和签证支持。 Roboc-Tech利用专有的评估过程，创建了个性化的搬迁路线图，并帮助技术人才找到欧...
UpMeals OS
UpMeals OS是一个旨在通过人工智能技术帮助餐饮业务提高效率、减少浪费、增加盈利并轻松销售的一站式平台。它通过整合操作流程和自动化各种任务，为餐...
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。
