SpiritSight Agent: Advanced GUI Agent with One Look

要約

グラフィカルユーザーインターフェイス（GUI）エージェントは、ヒューマンコンピューターの相互作用を支援し、デジタルデバイスでのヒューマンユーザーのナビゲーションを自動化する驚くべき能力を示しています。
理想的なGUIエージェントは、さまざまなGUIプラットフォームの高精度、低遅延、互換性を達成することが期待されています。
最近のビジョンベースのアプローチは、高度なビジョン言語モデル（VLM）を活用することにより有望であることが示されています。
一般に、互換性と遅延の要件を満たしていますが、これらの視覚ベースのGUIエージェントは、要素の接地の制限により、精度が低い傾向があります。
この問題に対処するために、さまざまなGUIプラットフォームでGUIナビゲーションタスクに優れているビジョンベースのエンドツーエンドGUIエージェントである$ \ textbf {spiritight} $を提案します。
まず、スケーラブルな方法を使用して$ \ textBf {gui-lasagne} $と呼ばれるマルチレベルの大規模で高品質のGUIデータセットを作成し、堅牢なGUIの理解と接地能力を備えたSpiritsightに力を与えます。
次に、$ \ textbf {Universal block parsing（ubp）} $メソッドを導入して、視覚入力の動的な高解像度の曖昧さの問題を解決し、GUIオブジェクトを接地するSpiritsightの能力をさらに高めます。
これらの取り組みを通じて、Spiritsightエージェントは、多様なGUIベンチマークの他の高度な方法を上回り、GUIナビゲーションタスクにおける優れた能力と互換性を実証します。
モデルとデータセットは、https：//hzhiyuan.github.io/spiritsight-agentで入手できます。

要約(オリジナル)

Graphical User Interface (GUI) agents show amazing abilities in assisting human-computer interaction, automating human user’s navigation on digital devices. An ideal GUI agent is expected to achieve high accuracy, low latency, and compatibility for different GUI platforms. Recent vision-based approaches have shown promise by leveraging advanced Vision Language Models (VLMs). While they generally meet the requirements of compatibility and low latency, these vision-based GUI agents tend to have low accuracy due to their limitations in element grounding. To address this issue, we propose $\textbf{SpiritSight}$, a vision-based, end-to-end GUI agent that excels in GUI navigation tasks across various GUI platforms. First, we create a multi-level, large-scale, high-quality GUI dataset called $\textbf{GUI-Lasagne}$ using scalable methods, empowering SpiritSight with robust GUI understanding and grounding capabilities. Second, we introduce the $\textbf{Universal Block Parsing (UBP)}$ method to resolve the ambiguity problem in dynamic high-resolution of visual inputs, further enhancing SpiritSight’s ability to ground GUI objects. Through these efforts, SpiritSight agent outperforms other advanced methods on diverse GUI benchmarks, demonstrating its superior capability and compatibility in GUI navigation tasks. Models and datasets are available at https://hzhiyuan.github.io/SpiritSight-Agent.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google