Ferret-UI Lite: Lessons from Building Small On-Device GUI Agents
机构 * Apple(苹果公司)
专题命中 GUI与屏幕智能体 :grounding(abstract);分类 cs.CV、cs.LG
AI 大模型
视觉语言模型、视觉推理、视觉问答、图文理解和视觉 grounding。
机构 * Apple(苹果公司)
专题命中 GUI与屏幕智能体 :grounding(abstract);分类 cs.CV、cs.LG
机构 * Panasonic Connect Co., Ltd.(松下电器(株式会社)) ; Panasonic R&D Center(松下研发中心) ; National University of Singapore(新加坡国立大学)
专题命中 GUI与屏幕智能体 :vision-language model(abstract);分类 cs.AI、cs.LG
机构 * Li Auto Inc.
专题命中 GUI与屏幕智能体 :vision-language model(abstract);分类 cs.CV、cs.AI
Comments Benchmark: https://huggingface.co/datasets/LiAuto-DriveAction/drive-action
机构 * Dekun Lu ∗ , Wei Gao ∗ and Kui Jia ∗(作者)
专题命中 GUI与屏幕智能体 :VLM(abstract);分类 cs.AI、cs.LG
Comments First two authors contribute equally. Project page: https://sites.google.com/view/imaginationpolicy
机构 * The University of Tokyo(东京大学) ; Lenovo US(联想美国) ; Advanced AI Technology Center(高级人工智能技术中心)
专题命中 GUI与屏幕智能体 :MLLM(abstract);分类 cs.AI、cs.LG
机构 * NICS-EFC Lab, Department of Electronic Engineering, Tsinghua University(清华大学电子工程系NICS-EFC实验室) ; Department of Computer and Information Science, University of Macau(澳门大学计算机与信息科学系) ; Infinigence AI ; Tsinghua University(清华大学) ; Zhongguancun Academy(中关村学院)
专题命中 GUI与屏幕智能体 :visual language model(abstract);分类 cs.AI、cs.LG
Comments 13 pages, 5 figures, Accepted by EMNLP 2025 (main conference)
机构 * East China Normal University(东华大学) ; Alibaba Group(阿里巴巴集团) ; University of Electronic Science and Technology of China(电子科技大学) ; Wuhan University(武汉大学) ; Sun Yat-sen University(中山大学)
专题命中 GUI与屏幕智能体 :vision-language model(abstract);分类 cs.AI、cs.LG
机构 * Southern University of Science and Technology, China(南方科技大学,中国) ; Spatialtemporal AI, China(时空AI,中国) ; MBZUAI, UAE(MBZUAI,阿联酋) ; Tencent Youtu Lab(腾讯优图实验室)
专题命中 GUI与屏幕智能体 :MLLM(abstract);分类 cs.CV、cs.AI
机构 * The University of Hong Kong(香港大学) ; Hong Kong Baptist University(香港 Baptist 大学) ; TCL Corporate Research (Hong Kong) Co., Ltd(TCL 香港研究院)
专题命中 GUI与屏幕智能体 :vision language model(abstract);分类 cs.CV、cs.AI
Comments 28 pages, 12 figures
机构 * Stanford University(斯坦福大学)
专题命中 GUI与屏幕智能体 :vision-language model(abstract);分类 cs.CV、cs.AI
机构 * School of Advanced Interdisciplinary Sciences, University of Chinese Academy of Sciences(中国科学院大学先进交叉学科学院) ; MAIS, Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所MAIS) ; Centre for Artificial Intelligence and Robotics, Hong Kong Institute of Science and Innovation, Chinese Academy of Sciences(中国科学院香港科学与创新研究院人工智能与机器人中心) ; School of Computer and Information Engineering, Xiamen University of Technology(厦门理工大学计算机与信息工程学院)
专题命中 GUI与屏幕智能体 :multimodal large language model(abstract);分类 cs.CV、cs.LG
Comments Preprint
专题命中 GUI与屏幕智能体 :vision-language model(abstract);分类 cs.CV、cs.LG
机构 * Imperial College London(伦敦帝国理工学院) ; Shanghai AI Laboratory(上海人工智能实验室) ; UC San Diego(加州大学圣地亚哥分校) ; VIVO ; South China University of Technology(华南理工大学)
专题命中 GUI与屏幕智能体 :vision-language model(abstract);分类 cs.CV、cs.AI
Comments Project website: https://robotic-visual-instruction.github.io/
机构 * Stanford University(斯坦福大学) ; University of California, Berkeley(加州大学伯克利分校)
专题命中 GUI与屏幕智能体 :vision-language model(abstract);分类 cs.AI、cs.LG
Comments ICML 2025
机构 * Shanghai AI Laboratory(上海人工智能实验室) ; The University of Hong Kong(香港大学) ; Johns Hopkins University(约翰霍普金斯大学) ; Shanghai Jiao Tong University(上海交通大学) ; University of Oxford(牛津大学) ; Hong Kong University of Science and Technology(香港科技大学)
专题命中 GUI与屏幕智能体 :vision-language model(abstract);分类 cs.CV、cs.AI
Comments ACL 2025 Camera Ready
机构 * Anhui University(安徽大学) ; Qihoo360(奇虎360)
专题命中 GUI与屏幕智能体 :multimodal large language model(abstract);分类 cs.CV、cs.AI
专题命中 GUI与屏幕智能体 :grounding(abstract);分类 cs.CV、cs.AI
Comments Updated results in Table 2 and Table 3; The project is available at https://github.com/OpenBMB/AgentCPM-GUI
机构 * Manifold Research ; MIT(麻省理工学院)
专题命中 GUI与屏幕智能体 :VLM(abstract);分类 cs.CV、cs.LG
Comments 16 pages, 26 figures
机构 * Intel(英特尔) ; Thoughtworks
专题命中 GUI与屏幕智能体 :vision-language model(abstract);分类 cs.CV、cs.AI
机构 * Mila - Quebec AI Institute(魁北克AI研究所) ; University of Waterloo(滑铁卢大学) ; National University of Singapore(新加坡国立大学) ; CIFAR AI Chair(CIFAR人工智能职位)
专题命中 GUI与屏幕智能体 :grounding(abstract);分类 cs.CV、cs.AI
Comments This paper has been accepted to the 41st International Conference on Machine Learning (ICML 2025)
机构 * Gaoling School of Artificial Intelligence, Renmin University of China(中国人民大学北京耿丽人工智能学院) ; Shanghai AI Laboratory(上海人工智能实验室)
专题命中 GUI与屏幕智能体 :multimodal large language model(abstract);分类 cs.CV、cs.AI
Comments Accepted by CVPR2025
专题命中 GUI与屏幕智能体 :vision language model(abstract);分类 cs.CV、cs.AI
Comments 24 pages, 11 figures
专题命中 GUI与屏幕智能体 :vision-language model(abstract);分类 cs.CV、cs.AI
Comments 8 pages, 8 figures, 1 table, Last updated on April 7th, 2025
专题命中 GUI与屏幕智能体 :vision-language model(abstract);分类 cs.CV、cs.AI
专题命中 GUI与屏幕智能体 :vision-language model(abstract);分类 cs.CV、cs.AI
专题命中 GUI与屏幕智能体 :MLLM(abstract);分类 cs.CV、cs.AI
Comments Paper accepted to CVPR 2025
专题命中 GUI与屏幕智能体 :grounding(abstract);分类 cs.CV、cs.AI
专题命中 GUI与屏幕智能体 :MLLM(abstract);分类 cs.AI、cs.LG
专题命中 GUI与屏幕智能体 :multimodal large language model(abstract);分类 cs.AI、cs.LG
Comments Paper and Appendix, 26 pages
专题命中 GUI与屏幕智能体 :multimodal large language model(abstract);分类 cs.AI、cs.LG