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
云山工作室4 分钟前
基于单片机的温湿度采集系统(论文+源码)
人工智能·单片机·嵌入式硬件·毕业设计·毕设
www_pp_4 分钟前
# 基于PyTorch的食品图像分类系统:从训练到部署全流程指南
人工智能·pytorch·分类
MorleyOlsen8 分钟前
【数字图像处理】立体视觉基础(1)
图像处理·人工智能·计算机视觉
watersink13 分钟前
大语言模型的训练、微调及压缩技术
人工智能·语言模型·自然语言处理
爱的叹息21 分钟前
AI推荐系统的详细解析 +推荐系统中滤泡效应(Filter Bubble)的详细解析+ 基于Java构建电商推荐系统的分步实现方案,结合机器学习与工程实践
java·人工智能·机器学习
IT古董23 分钟前
【漫话机器学习系列】211.驻点(Stationary Points)
人工智能·机器学习
结冰架构41 分钟前
【AI提示词】投资策略专家
大数据·人工智能·ai·提示词·专家
山海青风42 分钟前
智能体(Intelligent Agents)入门自学教程 3 简单反射型智能体(Reactive Agents)
人工智能·python
安全方案1 小时前
2025大模型十大安全威胁(OWASP TOP 10 LLM 2025).pdf
人工智能·安全·pdf
小oo呆1 小时前
【自然语言处理与大模型】个人使用LLaMA Factory微调的记录
人工智能·自然语言处理