以 ChatGPT 为代表的 AI 大语言模型（LLMs），其训练材料通常是文本内容。为了能够让 AI 模型能够理解图像、视频和音频等非文本内容，多模态大语言模型（MLLMs）因此孕育而生。
只是现阶段 MLLMs 还无法有效理解移动应用程序，这主要有以下几个原因：
1. 手机屏幕的宽高比，和大多数训练图像使用的屏幕宽高比不同。
2. MLLMs 需要识别出图标和按钮，但它们相对来说都比较小。
因此苹果构想了名为 Ferret-UI 的 MLLM 系统解决了这些问题：
与自然图像相比，用户界面屏幕的长宽比通常更长，包含的关注对象（如图标、文本）也更小，因此我们在 Ferret 的基础上加入了 "任意分辨率"，以放大细节并利用增强的视觉功能。
我们精心收集了大量初级用户界面任务的训练样本，如图标识别、查找文本和小部件列表。这些样本的格式都是按照带有区域注释的指令来设计的，以便于精确引用和接地。
为了增强模型的推理能力，我们进一步编制了高级任务数据集，包括详细描述、感知 / 交互对话和功能推理。
苹果在论文中表示相比较现有的 GPT-4V，以及其它 MLLMs 模型，Ferret-UI AI 模型更为优秀。
IT之家附上参考地址
Ferret-UI: Grounded Mobile UI Understanding with Multimodal LLMs
