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。