Mobile-Agent: Autonomous Multi-Modal Mobile Device Agent with Visual Perception

要約

マルチモーダル大規模言語モデル (MLLM) に基づくモバイル デバイス エージェントは、一般的なアプリケーションになりつつあります。
このペーパーでは、自律型マルチモーダル モバイル デバイス エージェントである Mobile-Agent を紹介します。
Mobile-Agent は、まず視覚認識ツールを活用して、アプリのフロントエンド インターフェイス内の視覚要素とテキスト要素の両方を正確に識別して特定します。
知覚された視覚コンテキストに基づいて、複雑な操作タスクを自律的に計画および分解し、操作を通じてモバイル アプリを段階的にナビゲートします。
アプリの XML ファイルやモバイル システムのメタデータに依存する以前のソリューションとは異なり、Mobile-Agent では、ビジョン中心の方法で多様なモバイル オペレーティング環境全体への適応性を高め、システム固有のカスタマイズの必要性を排除します。
Mobile-Agent のパフォーマンスを評価するために、モバイル デバイスの動作を評価するためのベンチマークである Mobile-Eval を導入しました。
Mobile-Eval に基づいて、Mobile-Agent の総合評価を実施しました。
実験結果は、Mobile-Agent が顕著な精度と完了率を達成したことを示しています。
複数アプリの操作など、難しい指示がある場合でも、モバイル エージェントは要件を完了できます。
コードとモデルは https://github.com/X-PLUG/MobileAgent でオープンソース化されます。

要約(オリジナル)

Mobile device agent based on Multimodal Large Language Models (MLLM) is becoming a popular application. In this paper, we introduce Mobile-Agent, an autonomous multi-modal mobile device agent. Mobile-Agent first leverages visual perception tools to accurately identify and locate both the visual and textual elements within the app’s front-end interface. Based on the perceived vision context, it then autonomously plans and decomposes the complex operation task, and navigates the mobile Apps through operations step by step. Different from previous solutions that rely on XML files of Apps or mobile system metadata, Mobile-Agent allows for greater adaptability across diverse mobile operating environments in a vision-centric way, thereby eliminating the necessity for system-specific customizations. To assess the performance of Mobile-Agent, we introduced Mobile-Eval, a benchmark for evaluating mobile device operations. Based on Mobile-Eval, we conducted a comprehensive evaluation of Mobile-Agent. The experimental results indicate that Mobile-Agent achieved remarkable accuracy and completion rates. Even with challenging instructions, such as multi-app operations, Mobile-Agent can still complete the requirements. Code and model will be open-sourced at https://github.com/X-PLUG/MobileAgent.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google