Apple 論文展示 Ferret-UI AI 能理解 App 畫面內容

Apple 早前發表了一篇有關開發「Ferret-UI」AI 人工智能的論文，據悉 Ferret-UI 是一個生成式人工智能系統，能夠理解智能電話應用程式螢幕顯示的內容。

 

 

大家耳熟能詳的 AI ChatGPT 屬於大型語言模型 （Large Language Models，LLMs），主要訓練素材取材自文字內容，而更先進的多模態大語言模型（Multimodal Large Language Models，MLLMs）旨在擴展 AI 理解圖片、影片、音訊等非文字資訊的能力，但是現時大部份 MLLM 還無法有效理解智能電話上面的應用程式，主要因為以下原因：

1. 手機螢幕長闊比例與平時訓練素材不同；
2. 手機應用程式的按鈕尺寸較小，對目前的 MLLMs 而言難以識別；
3. 目前的 MLLM 暫時未有與應用程式按鈕互動的理解能力。

Apple 因此構思開發名為 Ferret-UI 的全新 MLLM，以解決上述問題。Apple 指，Ferret-UI 加入了「任意解像度」，讓這個 MLLM 得以放大畫面細節，增強視覺能力。Apple 又表示從廣泛的基本 UI 任務裏收集了不少訓練樣本，例如圖標識別、尋找文字、小清單等，以提高精確度。

 

資料來源：9to5Mac、arxiv.org、ithome

分享到 :

最新影片