%20--%3e%3cdefs%3e%3cstyle%3e%20.st0%20{%20fill:%20%23061b40;%20}%20.st1%20{%20fill:%20%23306af1;%20}%20.st2%20{%20fill:%20%235ce5cf;%20}%20%3c/style%3e%3c/defs%3e%3cg%3e%3cpath%20class='st0'%20d='M55,10.5h9v3h-9v9h12V7.5h-12v3ZM64,19.5h-6v-3h6v3Z'/%3e%3cpolygon%20class='st0'%20points='69%2016.5%2078%2016.5%2078%2019.5%2069%2019.5%2069%2022.5%2081%2022.5%2081%2013.5%2072%2013.5%2072%2010.5%2081%2010.5%2081%207.5%2069%207.5%2069%2016.5'/%3e%3cpolygon%20class='st0'%20points='95%2010.5%2095%207.5%2083%207.5%2083%2022.5%2095%2022.5%2095%2019.5%2086%2019.5%2086%2016.5%2095%2016.5%2095%2013.5%2086%2013.5%2086%2010.5%2095%2010.5'/%3e%3cpath%20class='st0'%20d='M40,1.5v21h11.6l1.4-1.4v-7.6h0c0,0-1.4-1.5-1.4-1.5l1.4-1.4V2.9l-1.4-1.4h-11.6ZM50,19.5h-7v-6h7v6ZM50,10.5h-7v-6h7v6Z'/%3e%3c/g%3e%3cpath%20class='st1'%20d='M23.1,24L14.7,4.8l-4.9,11.2h3.8l-1.8,4H3.3L12.1,0H2C.9,0,0,.9,0,2v20c0,1.1.9,2,2,2h21.1Z'/%3e%3cpath%20class='st2'%20d='M34,0h-16.8l10.6,24h6.2c1.1,0,2-.9,2-2V2C36,.9,35.1,0,34,0ZM32.5,20h-4V4h4v16Z'/%3e%3c/svg%3e)
手機、平板、電腦、電視，屏幕越來越多，操作越來越複雜，是不是讓你眼花繚亂?蘋果最近丟出一個王炸——Ferret-UI2，一個超強 UI 理解模型，號稱要統一江湖!
這可不是吹牛，Ferret-UI2的目標是成爲一個真正的六邊形戰士，能在各種平臺上理解用戶界面，不管是iPhone、Android、iPad、網頁還是AppleTV，它都能輕鬆拿下。
Ferret-UI2的一大亮點是它對多平臺的支持。與僅限於移動平臺的Ferret-UI不同，Ferret-UI2能夠理解來自平板電腦、網頁和智能電視等各種設備的UI屏幕。這種多平臺支持使其能夠適應當今多樣化的設備生態系統，爲用戶提供更廣泛的應用場景。
爲了提高UI感知能力，Ferret-UI2引入了動態高分辨率圖像編碼技術，並採用了一種名爲“自適應網格”的增強方法。通過這種方法，Ferret-UI2能夠在UI屏幕截圖的原始分辨率下保持感知能力，從而更準確地識別視覺元素和它們之間的關係。
此外，Ferret-UI2還利用高質量的訓練數據來學習基本和高級任務。 對於基本任務，Ferret-UI2將簡單的引用和定位數據轉換爲對話形式，使模型能夠對各種UI屏幕建立基本理解。 對於更側重於用戶體驗的高級任務，Ferret-UI2採用了**基於GPT-4o的“標記集視覺提示”**技術來生成訓練數據，並用單步用戶中心交互取代了之前方法中簡單的點擊指令。
爲了評估Ferret-UI2的性能，研究人員構建了涵蓋五個平臺的45個基準測試，包括每個平臺的6個基本任務和3個高級任務。 此外，他們還使用了GUIDE和GUI-World等公開基準測試。 結果表明，Ferret-UI2在所有測試的基準測試中都優於Ferret-UI，特別是在高級任務上取得了顯著的進步，證明了其在處理跨平臺UI理解任務方面的多功能性。
消融研究進一步表明，Ferret-UI2的架構改進和數據集改進都對性能提升做出了貢獻，其中新數據集對更具挑戰性的任務的影響更爲顯著。 此外，Ferret-UI2在跨平臺遷移學習方面也表現出色，特別是在iPhone、iPad和Android平臺之間表現出良好的泛化能力。
模型地址：https://huggingface.co/jadechoghari/Ferret-UI-Llama8b
論文地址：https://arxiv.org/pdf/2410.18967