Google推出用于理解用户界面和信息图的AI模型ScreenAI

Google Research最近开发了多模态AI模型ScreenAI,专注于理解信息图和用户界面。该模型基于PaLI架构,已在多个任务中达到了行业领先水平。

ScreenAI通过分析网络爬虫生成的截图和自动与应用程序的交互学习。研究团队采用多种现成AI模型生成合成训练数据,如利用OCR技术标注截图并通过大语言模型(LLM)构造用户可能提出的问题。经过初步训练和后续精调,这一模型拥有五十亿参数,能够解答有关用户界面和信息图的问题、进行内容总结或导航操作。在WebSRC和MoTIF的基准测试中,ScreenAI刷新了性能记录,在Chart QA、DocVQA和InfographicVQA的基准测试上也超过了其他同等规模的模型。Google为了推动此类模型的研究和评估,发布了三个新的屏幕问题回答(QA)评估数据集。Google表示:

我们的模型虽然业界领先,但我们认为,在某些任务上仍需进一步研究,以弥补与GPT-4及Gemini等大型模型的性能差距。为了激发更多的研究活动,我们发布了一个包含统一表示的数据集以及两个其他基准数据集,以便更全面地评估屏幕相关任务的模型性能。

ScreenAI采用了Pathways Language and Image模型(PaLI)架构,该架构融合了视觉Transformer与编解码器大语言模型(如T5)。Google团队对此基础架构进行了关键改进,考虑到用户界面和信息图通常具有多样的分辨率和纵横比,他们调整了视觉Transformer的图像分块步骤,采用了来自Pix2Struct模型的分块策略,以适应不同形状的输入图像。

在预训练数据生成过程中,团队首先建立了一个自动化的标注流程,这个系统能够识别并分类屏幕截图中的UI元素和信息图元素,如图像、图标、文本和按钮,并生成一个包含这些元素位置的_screen schema_注释。

随后,这些screen schema数据被用来生成合成训练数据。研究团队向大语言模型提供了schema信息,并指示其这些schema代表屏幕截图,然后请求模型基于这些截图生成用户可能提问的问题。此外,研究人员还让模型对截图进行了总结。最终,这一数据集包含了约4亿个样本。

为评估这一模型,研究人员在多个公开的数据集上进行了微调,以用于导航、总结和问题回答。模型的性能不仅在两个基准测试中设立了新的行业标准,在三个测试中超越了其他最多只有5亿参数的模型,并在其他两个测试中也表现出竞争力。

X平台上的用户对ScreenAI的表现和潜力进行了热烈讨论。有用户提出疑问,Google是否会利用这一模型优化搜索结果的排名。还有评论指出:

竞争日益激烈。GPT-4 Vision已遇到Qwen-VL-Max的强劲挑战,现在Google的ScreenAI似乎也要加入这场竞争。Google的介入无疑增加了市场的期待。

虽然Google还没有公开模型的代码或参数权重,但他们已经在GitHub上开源了他们的评估数据集ScreenQA和Screen Annotation,以供研究社区使用。

原文链接:www.infoq.com/news/2024/0...

相关推荐
蹦蹦跳跳真可爱5891 小时前
Python----深度学习(基于深度学习Pytroch簇分类,圆环分类,月牙分类)
人工智能·pytorch·python·深度学习·分类
蚂蚁20142 小时前
卷积神经网络(二)
人工智能·计算机视觉
z_mazin5 小时前
反爬虫机制中的验证码识别:类型、技术难点与应对策略
人工智能·计算机视觉·目标跟踪
lixy5795 小时前
深度学习3.7 softmax回归的简洁实现
人工智能·深度学习·回归
youhebuke2255 小时前
利用deepseek快速生成甘特图
人工智能·甘特图·deepseek
訾博ZiBo5 小时前
AI日报 - 2025年04月26日
人工智能
郭不耐5 小时前
DeepSeek智能时空数据分析(三):专业级地理数据可视化赏析-《杭州市国土空间总体规划(2021-2035年)》
人工智能·信息可视化·数据分析·毕业设计·数据可视化·城市规划
AI军哥6 小时前
MySQL8的安装方法
人工智能·mysql·yolo·机器学习·deepseek
余弦的倒数6 小时前
知识蒸馏和迁移学习的区别
人工智能·机器学习·迁移学习
Allen Bright6 小时前
【机器学习-线性回归-2】理解线性回归中的连续值与离散值
人工智能·机器学习·线性回归