CogVLM 与 CogAgent:清华与智谱 AI 联合推出专注于 GUI 的多模态视觉大模型

❤️ 如果你也关注大模型与 AI 的发展现状,且对大模型应用开发非常感兴趣,我会快速跟你分享最新的感兴趣的 AI 应用和热点信息,也会不定期分享自己的想法和开源实例,欢迎关注我哦!

🥦 微信公众号|搜一搜:蚝油菜花 🥦


🚀 快速阅读

  1. CogVLM 和 CogAgent 是由清华大学与智谱 AI 联合推出的多模态视觉大模型,专注于图形用户界面(GUI)的理解和导航。
  2. CogAgent 在多个图像理解基准测试中取得了领先成绩,在 GUI 操作数据集上显著超越了现有的模型。
  3. 模型支持高达 1120×1120 像素的高分辨率图像输入,具备视觉问答、视觉定位和 GUI Agent 等多种能力。

正文(附运行示例)

CogVLM 是什么

CogVLM 是一个强大的开源视觉语言模型(VLM),专注于图形用户界面(GUI)的理解和导航。CogVLM-17B 拥有 100 亿的视觉参数和 70 亿的语言参数,支持 490*490 分辨率的图像理解和多轮对话。

CogAgent 是什么

CogAgent 是基于 CogVLM 改进的开源视觉语言模型,专注于 GUI 图像 Agent 的能力。CogAgent-18B 拥有 110 亿的视觉参数和 70 亿的语言参数,支持 1120*1120 分辨率的图像理解。

CogAgent 的主要功能

CogAgent 是 CogVLM 的改进版本,专注于 GUI 图像 Agent 的能力,具有以下主要功能:

  1. 高分辨率图像理解:支持 1120*1120 分辨率的图像输入,能够处理复杂的 GUI 界面。
  2. 视觉问答:能够针对 GUI 截图进行问答,解释网页、PPT、手机软件的功能,解说游戏界面等。
  3. 视觉定位:能够识别和解释小型 GUI 元素和文本,对于有效的 GUI 交互至关重要。
  4. GUI Agent 能力:能够在任何图形用户界面截图上,为任何给定任务返回一个计划,下一步行动,以及带有坐标的特定操作。
  5. 自动化 GUI 操作:能够模拟用户操作,如点击按钮、输入文本和选择菜单,提供自动化 GUI 操作的能力。
  6. 多模态能力:结合了视觉和语言模态,能在不依赖 API 调用的条件下,实现跨应用、跨网页的功能调用来执行任务。

如何运行 CogVLM 和 CogAgent

首先,我们需要安装依赖项。

bash 复制代码
# CUDA >= 11.8
pip install -r requirements.txt
python -m spacy download en_core_web_sm

所有的推理代码都位于 basic_demo/ 目录下。请在进行进一步操作之前,先切换到这个目录。

CLI (SAT version)

通过以下方式运行 CLI 演示:

bash 复制代码
# CogAgent
python cli_demo_sat.py --from_pretrained cogagent-chat --version chat --bf16  --stream_chat
python cli_demo_sat.py --from_pretrained cogagent-vqa --version chat_old --bf16  --stream_chat

# CogVLM
python cli_demo_sat.py --from_pretrained cogvlm-chat --version chat_old --bf16  --stream_chat
python cli_demo_sat.py --from_pretrained cogvlm-grounding-generalist --version base --bf16  --stream_chat

该程序将自动下载卫星模型并在命令行中进行交互。您可以通过输入指令并按回车来生成回复。输入clear 以清除对话历史,输入stop 以停止程序。

CLI (Huggingface version)

通过以下方式运行 CLI 演示:

bash 复制代码
# CogAgent
python cli_demo_hf.py --from_pretrained THUDM/cogagent-chat-hf --bf16
python cli_demo_hf.py --from_pretrained THUDM/cogagent-vqa-hf --bf16

# CogVLM
python cli_demo_hf.py --from_pretrained THUDM/cogvlm-chat-hf --bf16
python cli_demo_hf.py --from_pretrained THUDM/cogvlm-grounding-generalist --bf16

资源


❤️ 如果你也关注大模型与 AI 的发展现状,且对大模型应用开发非常感兴趣,我会快速跟你分享最新的感兴趣的 AI 应用和热点信息,也会不定期分享自己的想法和开源实例,欢迎关注我哦!

🥦 微信公众号|搜一搜:蚝油菜花 🥦

相关推荐
狂奔solar5 分钟前
diffusion-vas 提升遮挡区域的分割精度
人工智能·深度学习
Alger_Hamlet19 分钟前
Photoshop 2025 Mac中文 Ps图像编辑软件
macos·ui·photoshop
资源大全免费分享19 分钟前
MacOS 的 AI Agent 新星,本地沙盒驱动,解锁 macOS 操作新体验!
人工智能·macos·策略模式
跳跳糖炒酸奶36 分钟前
第四章、Isaacsim在GUI中构建机器人(2):组装一个简单的机器人
人工智能·python·算法·ubuntu·机器人
AI.NET 极客圈41 分钟前
AI与.NET技术实操系列(四):使用 Semantic Kernel 和 DeepSeek 构建AI应用
人工智能·.net
Debroon1 小时前
应华为 AI 医疗军团之战,各方动态和反应
人工智能·华为
俊哥V1 小时前
阿里通义千问发布全模态开源大模型Qwen2.5-Omni-7B
人工智能·ai
果冻人工智能1 小时前
每一条广告都只为你而生: 用 人工智能 颠覆广告行业的下一步
人工智能
掘金安东尼1 小时前
GPT-4.5 被 73% 的人误认为人类,“坏了?!我成替身了!”
人工智能·程序员
掘金一周1 小时前
金石焕新程 >> 瓜分万元现金大奖征文活动即将回归 | 掘金一周 4.3
前端·人工智能·后端