新周期，誰在堅守窄門？
來源：錦緞今日的投資者恐怕已經忘記了，在OpenAI創造出ChatGPT這一殺器的前夜，生成式AI也曾經是一道窄門，窄到連馬斯克都差點失去了信心。在當時的輿論眼中，AGI的道路不夠性感，不夠
4 月 10 日消息，蘋果公司近日發布研究論文，展示了 Ferret-UI AI 系統，可以理解應用程序屏幕上的內容。
以 ChatGPT 為代表的 AI 大語言模型（LLMs），其訓練材料通常是文本內容。為了能夠讓 AI 模型能夠理解圖像、視頻和音頻等非文本內容，多模態大語言模型（MLLMs）因此孕育而生。
只是現階段 MLLMs 還無法有效理解移動應用程序，這主要有以下幾個原因：
1. 手機屏幕的寬高比，和大多數訓練圖像使用的屏幕寬高比不同。
2. MLLMs 需要識別出圖標和按鈕，但它們相對來說都比較小。
因此蘋果構想了名為 Ferret-UI 的 MLLM 系統解決了這些問題：
與自然圖像相比，用戶界面屏幕的長寬比通常更長，包含的關注對象（如圖標、文本）也更小，因此我們在 Ferret 的基礎上加入了 "任意分辨率"，以放大細節并利用增強的視覺功能。
我們精心收集了大量初級用戶界面任務的訓練樣本，如圖標識別、查找文本和小部件列表。這些樣本的格式都是按照帶有區域注釋的指令來設計的，以便于精確引用和接地。
為了增強模型的推理能力，我們進一步編制了高級任務數據集，包括詳細描述、感知 / 交互對話和功能推理。
蘋果在論文中表示相比較現有的 GPT-4V，以及其它 MLLMs 模型，Ferret-UI AI 模型更為優秀。
附上參考地址
Ferret-UI: Grounded Mobile UI Understanding with Multimodal LLMs
本文鏈接：http://www.tebozhan.com/showinfo-45-3949-0.html蘋果介紹 Ferret-UI 多模態大語言模型：更充分理解手機屏幕內容
聲明：本網頁內容旨在傳播知識，若有侵權等問題請及時與本網聯系，我們將在第一時間刪除處理。郵件：2376512515@qq.com
Copyright ? 2016-2023 天津谷騏科技有限公司 版權所有 sitemap.xml
違法及侵權請聯系：2376512515@qq.com 津ICP備18001702號
津公網安備 12010102000574號