The Dawn of GUI Agent: A Preliminary Case Study with Claude 3.5 Computer Use

要約

最近リリースされたモデルである Claude 3.5 Computer Use は、パブリック ベータ版でグラフィカル ユーザー インターフェイス (GUI) エージェントとしてコンピューターの使用を提供する最初のフロンティア AI モデルとして際立っています。
初期のベータ版であるため、現実世界の複雑な環境での機能はまだ不明です。
Claude 3.5 のコンピュータの使用を調査するためのこのケーススタディでは、さまざまなドメインとソフトウェアにまたがる慎重に設計されたタスクのコレクションを厳選し、整理します。
これらのケースからの観察は、エンドツーエンドの言語からデスクトップのアクションまで、Claude 3.5 Computer Use の前例のない能力を示しています。
この調査に加えて、API ベースの GUI 自動化モデルを簡単に実装できる、すぐに使えるエージェント フレームワークを提供します。
私たちのケーススタディは、詳細な分析によってクロード 3.5 コンピュータ使用の機能と制限の基礎を示し、将来の改善のために考慮する必要がある計画、アクション、批評家に関する疑問を前面に出すことを目的としています。
この予備調査が、GUI エージェント コミュニティの将来の研究に刺激を与えることを願っています。
論文内のすべてのテスト ケースは、プロジェクト https://github.com/showlab/computer_use_ootb を通じて試すことができます。

要約(オリジナル)

The recently released model, Claude 3.5 Computer Use, stands out as the first frontier AI model to offer computer use in public beta as a graphical user interface (GUI) agent. As an early beta, its capability in the real-world complex environment remains unknown. In this case study to explore Claude 3.5 Computer Use, we curate and organize a collection of carefully designed tasks spanning a variety of domains and software. Observations from these cases demonstrate Claude 3.5 Computer Use’s unprecedented ability in end-to-end language to desktop actions. Along with this study, we provide an out-of-the-box agent framework for deploying API-based GUI automation models with easy implementation. Our case studies aim to showcase a groundwork of capabilities and limitations of Claude 3.5 Computer Use with detailed analyses and bring to the fore questions about planning, action, and critic, which must be considered for future improvement. We hope this preliminary exploration will inspire future research into the GUI agent community. All the test cases in the paper can be tried through the project: https://github.com/showlab/computer_use_ootb.

arxiv情報

著者 Siyuan Hu,Mingyu Ouyang,Difei Gao,Mike Zheng Shou
発行日 2024-11-15 16:23:52+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.AI, cs.CL, cs.CV パーマリンク