ShowUI – 新加坡国立联合微软推出用于 GUI 自动化的视觉-语言-操作模型

ShowUI是什么

ShowUI是新加坡国立大学Show Lab和微软共同推出的视觉-语言-行动模型，能提升图形用户界面（GUI）助手的工作效率。模型基于UI引导的视觉令牌选择减少计算成本，用交错视觉-语言-行动流统一GUI任务中的多样化需求，并管理视觉-行动历史增强训练效率。ShowUI用小规模但高质量的指令跟随数据集，用256K数据实现75.1%的零样本截图定位准确率，训练速度提升1.4倍，展现出在GUI视觉代理领域的潜力。

ShowUI的主要功能

• UI引导的视觉令牌选择：将屏幕截图构建为UI连接图，自适应地识别冗余关系，在自注意力模块中作为选择令牌的标准，减少计算成本。
• 交错视觉-语言-行动流：灵活地统一GUI任务中的多样化需求，有效管理视觉-行动历史，提高训练效率。
• 小规模高质量GUI指令跟随数据集：基于精心策划数据和采用重采样策略解决数据类型不平衡的问题，提高模型的准确性和效率。
• 零样本截图定位：在没有额外训练的情况下，直接对屏幕截图进行理解和操作的能力。
• GUI自动化：自动化执行GUI任务，如点击、输入等，提高人机交互效率。

ShowUI的技术原理

• UI引导的视觉令牌选择：
  • 将屏幕截图分割成规则的补丁（patches），每个补丁作为一个节点。
  • 识别具有相同RGB值的相邻补丁，构建UI连接图，将视觉冗余区域组合起来。
  • 在自注意力模块中，基于UI连接图选择性地处理视觉令牌，减少计算量。
• 交错视觉-语言-行动流：
  • 结构化GUI动作，以JSON格式表示，统一不同设备上的动作。
  • 基于交替处理视觉、语言和行动数据，管理复杂的交互历史。
  • 在训练中，用多轮对话方式，提高数据利用效率。
• 数据策划和重采样策略：
  • 精心策划和选择高质量的训练数据，而不是简单地聚合所有可用数据源。
  • 基于重采样策略，解决不同设备和任务类型之间的数据不平衡问题。
• 高效处理高分辨率UI截图：针对高分辨率UI截图，优化模型以有效处理长令牌序列，减少计算成本。
• 模型架构：
  • 基于Qwen2-VL-2B模型，整合视觉编码器和语言模型，处理视觉和文本数据。
  • 基于特定的数据食谱和训练策略，提高模型在GUI任务中的性能。

ShowUI的项目地址

ShowUI的应用场景

• 网页自动化：自动执行网页上的点击、输入、滚动等操作，用在自动化测试、数据抓取或模拟用户行为。
• 移动应用测试：在移动应用中自动化执行各种用户交互，如滑动、点击、填写表单等，进行应用功能测试。
• 桌面软件自动化：自动化桌面软件中的重复性任务，如文件管理、数据输入、设置调整等。
• 虚拟助手：作为虚拟助手的一部分，根据用户的自然语言指令执行特定的GUI操作。
• 游戏自动化：在支持自动化脚本的游戏中，自动执行角色移动、物品拾取、战斗等操作。