Ferret-UI
让大模型理解手机屏幕，苹果多模态Ferret-UI用自然语言操控手机
此次，苹果提出的多模态大语言模型（MLLM） Ferret-UI ，专门针对移动用户界面（UI）屏幕的理解进行了优化，其具备引用、定位和推理能力。移动应用已经成为我们日常生活的一大重要组成部分。使用移动应用时，我们通常是用眼睛看，用手执行对应操作。如果能将这个感知和交互过程自动化，用户也许能获得更加轻松的使用体验。此外，这还能助益手机辅助功能、多步 UI 导航、应用测试、可用性研究等。为了在用户界面内实现感知和交互的无缝自动化，就需要一个复杂的系统，其需要具备一系列关键能力。这样一个系统不仅要能完全理解屏幕内容，还
5/20/2024 2:58:00 PM
机器之心
- 1
资讯热榜
罗永浩 Jarvis 初创项目“J1 Assistant AI 助理”上线，利用语音与大模型互动
类 Mac Mini 大小的个人 AI 超算：英伟达 Project Digits 发布，起价 3000 美元
从DeepSeek-V3发布谈大模型的技术突破与未来机遇
3 到 5 秒即可同声传译 40 余种语言，时空壶推出 W4 Pro 实时翻译耳机
GPT-4o最自私，Claude更慷慨！DeepMind发布全新「AI道德测试」
全网都在扒的DeepSeek团队，是清北应届生撑起一片天
Just keep scaling！思维链作者Jason Wei 40分钟讲座剖析LLM扩展范式
奥特曼回应一切：宫斗、马斯克、ChatGPT两周年
标签云
AI
模型
人工智能
AIGC
OpenAI
AI绘画
ChatGPT
机器人
数据
生成
训练
谷歌
视频
智能
学习
Midjourney
GPT
大模型
用户
AI创作
LLM
图像
微软
开源
技术
Meta
论文
Stable Diffusion
生成式
算法
蛋白质
芯片
马斯克
计算
神经网络
AI设计
Gemini
Sora
研究
腾讯
课程
代码
开发者
场景
伟达
3D
GPU
预测
模态
Transformer
华为
文本
驾驶
英伟达
神器推荐
机器学习
AI视频
语言
干货合集
LLaMA
深度学习
2024
算力
搜索
视频生成
苹果
科技
AI应用场景
应用
百度
写作
特斯拉
机器
安全
具身智能
Copilot
AI for Science
语音
prompt
视觉