清华与面壁智能开源AgentCPM-GUI端侧GUI智能体模型

清华大学联合面壁智能团队推出了开源端侧GUI智能体模型AgentCPM-GUI，专为中文应用优化。该模型基于MiniCPM-V构建，支持智能手机截图输入，并能自主执行用户任务。通过在大规模中文安卓应用数据上预训练，AgentCPM-GUI在中文Grounding和Agent Benchmark上表现出色，是首个针对中文应用精细优化的开源GUI Agent。其主要功能包括中文应用操作、任务自动化执行、高质量GUI定位及OCR识别。AgentCPM-GUI的技术原理包括预训练、强化微调和紧凑动作空间设计，适用于智能助手、自动化测试、老年关怀、视障人士辅助及企业应用自动化等场景。项目已在GitHub和HuggingFace上开源。

AgentCPM-GUI 是一款由清华大学和面壁智能团队共同开发的开源端侧 GUI Agent，专为中文应用进行了优化。该模型基于 MiniCPM-V（80亿参数）构建，能够接受智能手机截图作为输入，并自主执行用户指定的任务。通过在大规模中文安卓应用界面数据上进行预训练，AgentCPM-GUI 显著提升了对 GUI 元素的理解和定位能力。在中文 Grounding Benchmark 和 Agent Benchmark 上，AgentCPM-GUI 均取得了最先进的性能，是首个针对中文应用精细优化的开源 GUI Agent。

AgentCPM-GUI的主要功能

• 中文应用操作：能够理解和操作多种中文应用，如高德地图、大众点评、哔哩哔哩和小红书等。
• 任务自动化执行：在接受用户指令后，自动拆分任务步骤，并在相应应用中准确执行操作，如点单、播放视频等。
• 高质量 GUI 定位：可以准确定位屏幕上的按钮、输入框、标签等 GUI 元素。
• OCR 定位与识别：能够识别屏幕中的文本内容，并根据文本描述执行相应操作。

AgentCPM-GUI的技术原理

• 预训练：通过在大规模中文安卓应用界面数据上进行预训练，覆盖了常见的按钮、输入框、标签、图标等通用 GUI 控件。基于高质量的 GUI Grounding 预训练，提升了模型对视觉界面元素的理解和定位能力。同时具备 OCR Grounding 能力，能够准确定位和识别屏幕中的文本内容。
• 强化微调（RFT）：设计了动作格式奖励、动作类型奖励、动作参数奖励三个维度的奖励函数，引导模型自主生成高质量的思维链过程。在奖励函数的引导下，模型不断优化自身策略，获取更高的奖励，从而提升任务的执行成功率。
• 紧凑动作空间设计：基于紧凑的 JSON 格式，将动作平均长度压缩至 9.7 个 token，减少了推理时的计算和内存需求。这种紧凑的动作空间设计使模型更适合在移动设备上部署，加快了端侧推理速度，并缓解了隐私安全问题。

AgentCPM-GUI的项目地址

• GitHub仓库：http://github.com/OpenBMB/AgentCPM-GUI
• HuggingFace模型库：http://huggingface.co/openbmb/AgentCPM-GUI

AgentCPM-GUI的应用场景

• 智能助手：可以帮助用户基于语音或文字指令完成各种应用操作，如点外卖、播放音乐等。
• 自动化测试：用于自动化测试中文应用的功能和界面，提高测试效率。
• 老年关怀：简化老年人使用智能手机的操作，如视频通话、查看天气等。
• 视障人士辅助：结合语音指令和屏幕阅读器，帮助视障人士更便捷地使用应用。
• 企业应用自动化：自动化执行企业中的重复性任务，如数据录入和报表生成，提高效率。

到这里，我们也就讲完了《清华与面壁智能开源AgentCPM-GUI端侧GUI智能体模型》的内容了。个人认为，基础知识的学习和巩固，是为了更好的将其运用到项目中，欢迎关注golang学习网公众号，带你了解更多关于的知识点！