2 min

Ferret-UI Lite: Apple představil výkonného GUI agenta, který poráží i 24× větší modely

Sdílet

Dennívýzva

Zdroj: iphoneaddict

Apple představil nový multimodální jazykový model Ferret-UI Lite, který s pouhými 3 miliardami parametrů překonává nebo dorovnává výkon modelů až 24krát větších. Navzdory své velikosti zvládá složité úkoly spojené s porozuměním uživatelskému rozhraní a běží přímo na zařízení.

Ferret: od vizuálního porozumění ke GUI agentům

Původní model FERRET vznikl v prosinci 2023 jako výsledek výzkumu devítičlenného týmu a měl za cíl umožnit modelům chápat odkazy na konkrétní části obrázků. Na něj navázaly další varianty jako Ferretv2, Ferret-UI a Ferret-UI 2, přičemž Ferret-UI se zaměřil na hlubší porozumění mobilním obrazovkám a schopnost reagovat na vizuální prvky uživatelského rozhraní.

Z výzkumu vyplývá, že klasické multimodální jazykové modely mají problém porozumět specifickému rozvržení a prvkům UI, které bývají drobné, hustě rozmístěné a v různých rozlišeních. Ferret-UI tyto překážky překonává díky technikám jako přiblížení, ořezávání obrazu a pokročilé vizuální reprezentaci.

Na rozdíl od předchozích variant je Ferret-UI Lite navržen jako odlehčenější a plně lokální model, který se obejde bez nutnosti zpracování na straně serveru a je optimalizovaný pro běh přímo na zařízení. Jeho hlavní výhody jsou:

pouze 3 miliardy parametrů (oproti 13B u Ferret-UI),
schopnost běžet na mobilních a desktopových zařízeních bez potřeby cloudu,
výkon srovnatelný s modely o velikosti až 72 miliard parametrů.

Model se zaměřuje na čtyři klíčové schopnosti: vizuální rozpoznání, pochopení rozhraní, plánování úkonů a jejich provedení. A to vše v reálném čase a s minimálními nároky na hardware.

Zdroj: 9to5mac

Vývojáři Applu model vybavili několika chytrými technikami, které mu umožňují konkurovat větším agentům:

Dynamické ořezávání a přiblížení

Ferret-UI Lite nejprve provede prvotní predikci, následně danou oblast přiblíží a znovu analyzuje. Díky tomu dokáže lépe pracovat s malými ikonami, texty a dalšími detaily, což je u GUI prostředí klíčové.

Samostatná tvorba trénovacích dat

Namísto závislosti na ručně anotovaných datech využívá Apple syntetické generování dat pomocí multiagentního systému, který:

navrhuje úkoly různé obtížnosti,
rozděluje je na jednotlivé kroky (plánování),
vykonává je v živém prostředí GUI,
hodnotí výsledek pomocí kritického modelu.

Tento přístup umožňuje lépe modelovat realitu — včetně chyb, nečekaných stavů a strategií obnovy.

Využití různých GUI prostředí

Na rozdíl od předchozích verzí, které využívaly výhradně prostředí Applu (např. iPhone), Ferret-UI Lite byl trénován a testován na Androidu, webových aplikacích a desktopových GUI. Mezi benchmarky, na kterých se ověřoval výkon, patří AndroidWorld a OSWorld.

Ferret-UI Lite exceluje zejména při jednodušších úkolech s krátkým časovým horizontem. U složitějších, vícestupňových interakcí sice zaostává za většími modely, ale vzhledem k jeho minimalistické architektuře jde o očekávaný kompromis. To, co Ferret-UI Lite nabízí, je rychlost, soukromí a soběstačnost. Díky běhu přímo na zařízení není třeba odesílat žádná data do cloudu, což jej činí ideálním pro aplikace, kde je důležitá ochrana soukromí.

Ferret-UI Lite: Apple představil výkonného GUI agenta, který poráží i 24× větší modely

Tohle se jen tak nevidí. Ukrajinci pálí po ruských cílech z otevřených letadel

Michaela Tomešová po 10 letech oblékla svatební šaty: Měla co dělat, aby uhlídala své přednosti!

Opustil rodinu kvůli jiné ženě. Svojí těžké volby Marek Němec ale nelituje

Nové auto za 130 tisíc korun míří do Evropy. Pokud se to povede, změní trh s ojetinami úplně od základů

To nejlepší z české architektury: Podívejte se na stavby, které berou dech