UI-Venus Technical Report: Building High-performance UI Agents with RFT
UI-Venus通过RFT在UI定位和导航任务上取得SOTA表现。
核心发现
方法论
UI-Venus基于Qwen2.5-VL,通过强化微调(RFT)实现高效的UI定位和导航。采用自进化轨迹历史对齐和稀疏动作增强框架,提升导航性能。设计了精细的奖励函数和数据清洗策略。
关键结果
- UI-Venus在Screenspot-V2/Pro上分别达到94.1%和95.3%的准确率,超越GTA1和UI-TARS-1.5。
- 在AndroidWorld的成功率分别为49.1%和65.9%,领先于现有模型。
- 自进化框架显著提高了复杂UI任务中的规划一致性和泛化能力。
研究意义
UI-Venus在UI代理领域实现了新的技术突破,特别是在UI定位和导航任务中。通过引入自进化框架和高效的数据处理方法,解决了长期存在的数据质量和泛化能力问题,为学术界和工业界提供了新的研究方向。
技术贡献
UI-Venus通过引入自进化框架和稀疏动作增强,显著提升了导航任务的性能。相比于SOTA方法,UI-Venus在数据质量和泛化能力上实现了突破,提供了新的工程可能性。
新颖性
UI-Venus首次在UI代理任务中引入自进化轨迹历史对齐和稀疏动作增强框架,与现有方法相比,显著提升了导航任务的规划一致性和泛化能力。
局限性
- 在复杂动态环境中,UI-Venus的规划能力仍有提升空间,特别是在处理长链任务时。
- 数据清洗过程依赖于人工干预,可能影响大规模应用。
未来方向
未来研究可探索自动化数据清洗和更高效的自进化机制,以进一步提升UI代理的性能和适应性。
AI 总览摘要
UI-Venus是一个基于多模态大语言模型的UI代理,专注于UI定位和导航任务。通过强化微调和自进化框架,UI-Venus在多个基准测试中取得了SOTA表现。在UI定位任务中,UI-Venus在Screenspot-V2和Pro上分别达到94.1%和95.3%的准确率,超越了GTA1和UI-TARS-1.5等现有模型。在UI导航任务中,UI-Venus在AndroidWorld的成功率分别为49.1%和65.9%,同样领先于现有模型。UI-Venus的成功得益于其创新的自进化轨迹历史对齐和稀疏动作增强框架,这些方法显著提高了复杂UI任务中的规划一致性和泛化能力。尽管如此,UI-Venus在处理复杂动态环境和长链任务时仍有改进空间,未来研究可以进一步探索自动化数据清洗和更高效的自进化机制。
深度分析
研究背景
近年来,多模态大语言模型在UI代理领域取得了显著进展。传统方法依赖于大规模数据集的监督微调,尽管在某些任务中表现良好,但在UI定位任务中存在泛化能力不足的问题。强化微调(RFT)作为一种新兴方法,通过引入奖励函数和数据清洗策略,显著提高了模型的泛化能力。
核心问题
UI代理任务的核心问题在于如何在复杂多变的交互环境中实现高效的UI定位和导航。传统方法在处理长链任务和动态环境时表现不佳,尤其是在数据质量和泛化能力方面存在瓶颈。
核心创新
UI-Venus引入了自进化轨迹历史对齐和稀疏动作增强框架,显著提升了导航任务的规划一致性和泛化能力。通过设计精细的奖励函数和高效的数据清洗策略,UI-Venus在数据质量和泛化能力上实现了突破。
方法详解
- �� 使用Qwen2.5-VL进行强化微调
- �� 设计自进化轨迹历史对齐框架,提升规划一致性
- �� 引入稀疏动作增强,优化稀疏但关键的动作分布
- �� 实施三阶段数据清洗流程,确保高质量训练数据
实验设计
实验使用了Screenspot-V2/Pro和AndroidWorld等基准数据集,比较了UI-Venus与GTA1和UI-TARS-1.5等模型的性能。通过对比不同变体的表现,验证了自进化框架和稀疏动作增强的有效性。
结果分析
UI-Venus在Screenspot-V2/Pro上分别达到94.1%和95.3%的准确率,在AndroidWorld的成功率分别为49.1%和65.9%,均超越现有SOTA模型。
应用场景
UI-Venus可用于自动化UI测试、用户界面优化和智能助手开发等领域,尤其适用于需要高精度UI定位和复杂导航的场景。
局限与展望
尽管UI-Venus在多个任务上表现优异,但在处理复杂动态环境和长链任务时仍有改进空间。此外,数据清洗过程的人工依赖可能限制其大规模应用。
通俗解读 非专业人士也能看懂
想象你在一个大型购物中心寻找特定的商店。传统方法就像依赖地图和标志,而UI-Venus则像一个智能导购员,它不仅知道商店的位置,还能根据你的需求和购物中心的动态变化实时调整路线。这种智能导购员通过不断学习和优化自己的导航策略,确保你能快速找到目标商店,即使在复杂的购物环境中。
简单解释 像给14岁少年讲一样
想象你在玩一个复杂的迷宫游戏,目标是找到隐藏的宝藏。传统方法就像给你一张静态的地图,而UI-Venus就像一个超级聪明的游戏助手。它不仅知道宝藏的位置,还能根据迷宫的变化实时调整路线,帮助你避开陷阱和死胡同。这个助手通过不断学习和优化策略,确保你能最快速地找到宝藏,赢得游戏!
术语表
强化微调 (Reinforcement Fine-Tune)
一种通过奖励机制优化模型性能的训练方法,特别适用于需要决策的任务。
在UI-Venus中用于提升UI导航任务的性能。
自进化轨迹历史对齐 (Self-Evolving Trajectory History Alignment)
一种优化历史推理轨迹的方法,旨在提高模型的规划一致性。
在UI导航任务中用于优化决策过程。
稀疏动作增强 (Sparse Action Enhancement)
通过优化稀疏但关键的动作分布,提升模型在复杂任务中的表现。
用于提高UI导航任务中的泛化能力。
Qwen2.5-VL
一种多模态大语言模型,支持文本和视觉信息的处理。
作为UI-Venus的基础模型进行强化微调。
Screenspot-V2/Pro
用于评估UI定位任务性能的标准数据集。
UI-Venus在该数据集上取得了SOTA表现。
开放问题 这项研究留下的未解疑问
- 1 如何在无需人工干预的情况下实现高效的数据清洗,以支持大规模应用。
- 2 在复杂动态环境中,如何进一步提升UI代理的规划和决策能力。
应用场景
近期应用
自动化UI测试
UI-Venus可用于提升软件测试的效率和准确性,减少人工干预。
远期愿景
智能用户界面助手
通过不断学习用户行为和界面变化,提供个性化的界面优化建议。
原文摘要
We present UI-Venus, a native UI agent that takes only screenshots as input based on a multimodal large language model. UI-Venus achieves SOTA performance on both UI grounding and navigation tasks using only several hundred thousand high-quality training samples through reinforcement finetune (RFT) based on Qwen2.5-VL. Specifically, the 7B and 72B variants of UI-Venus obtain 94.1% / 50.8% and 95.3% / 61.9% on the standard grounding benchmarks, i.e., Screenspot-V2 / Pro, surpassing the previous SOTA baselines including open-source GTA1 and closed-source UI-TARS-1.5. To show UI-Venus's summary and planing ability, we also evaluate it on the AndroidWorld, an online UI navigation arena, on which our 7B and 72B variants achieve 49.1% and 65.9% success rate, also beating existing models. To achieve this, we introduce carefully designed reward functions for both UI grounding and navigation tasks and corresponding efficient data cleaning strategies. To further boost navigation performance, we propose Self-Evolving Trajectory History Alignment & Sparse Action Enhancement that refine historical reasoning traces and balances the distribution of sparse but critical actions, leading to more coherent planning and better generalization in complex UI tasks. Our contributions include the publish of SOTA open-source UI agents, comprehensive data cleaning protocols and a novel self-evolving framework for improving navigation performance, which encourage further research and development in the community. Code is available at https://github.com/inclusionAI/UI-Venus.