资讯
4月10日消息，全球科技界聚焦于一则引人瞩目的动态：苹果公司以一篇崭新的研究论文震撼亮相，向世人揭示了其潜心研发的Ferret-UI人工智能系统的卓越能力。
此款AI系统的核心突破在于，它能够精准而深入地解析并理解各类应用程序界面中的复杂视觉元素与结构化信息，为智能交互领域开辟了前所未有的可能性。
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。
文明上网，理性发言，共同做网络文明传播者