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
edit in ppt
毫不费力地将任何图像转换为可自定义的PowerPoint幻灯片，并在PPT中进行编辑。节省时间并轻松创建专业演示文稿，因为此功能消除了对手动数据复制的...
dittin ai
Dittin AI是由Dittinllm提供动力的高级NSFW AI聊天机器人平台。凭借其无限制的NSFW内容功能，用户可以就具有AI角色的各种主题进...
SenseVoiceSmall
SenseVoiceSmall是一款具备多种语音理解能力的语音基础模型，包括自动语音识别（ASR）、口语语言识别（LID）、语音情感识别（SER）和音...
launchpod ai
通过LaunchPod AI简化并提升音频制作。这种AI驱动的工具使教育者和创作者可以快速访问内容。输入您的想法，自定义脚本，添加效果和声音，然后轻松...
Iconik AI
Iconik AI是一款使用人工智能生成应用程序图标的免费工具。它可以在5分钟内为Android、iOS和Web应用程序生成惊人的应用程序图标，无需设...
Cerence Chat Pro
Cerence Chat Pro是一款面向汽车制造商的应用,可以通过语音交互的方式,将ChatGPT等生成式AI系统无缝集成到车载系统中。它具有极高的...
GoWit Retail Media Ads Platform
GoWit是一款全渠道零售广告平台，提供高影响力广告格式，帮助电子商务增长并提升客户参与度，实现个性化购物体验。利用实时产品推荐功能，最大化价值自有数...
Supametas.AI
Supametas.AI是一款专注于非结构化数据处理的平台，旨在帮助企业快速将音频、视频、图片、文本等多种格式的数据转化为适用于LLM RAG知识库的...
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。
