苹果发布多模态模型 Ferret-UI，部分手机 UI 任务超越 GPT-4V

编译 | 赖文昕

编辑 | 陈彩娴

大模型的诞生，让科技巨头与创业公司们在新一轮的竞赛中再次鸣枪出发，OpenAI、Anthropic、Mistral等创业之星的升起更是证明了在新技术的影响下，大厂并不存在绝对的优势。

不久前，苹果叫停了启动十多年且投入数十亿美元的自动驾驶电动汽车项目，美国总部裁员了600多人，另有近2000名员工转到AI部门。

然而，在目前市场上的主流智能手机品牌中，苹果几乎是唯一一家尚未正式推出大模型的厂商。长期处在领头羊地位的苹果，似乎在大模型这一局中罕见地落后了。

4月8日，苹果发表了一个名为“Ferret-UI”的新工作，这是一个能“看懂”手机屏幕上并能执行任务的多模态模型，专为增强对移动端 UI 屏幕的理解而定制，配备了引用（referring）、定位（grounding）和推理（reasoning）功能。

论文链接：https://arxiv.org/pdf/2404.05719.pdf

半年前，苹果和哥伦比亚大学研究团队联合发布的多模态大模型“Ferret”就已具有较高的图文关联能力，而“Ferret-UI”则是更聚焦移动端、关注用户交互。

研究团队认为，Ferret-UI 具备了解决现有大部分通用多模态大模型所缺乏的理解用户界面 (UI) 屏幕并与其有效交互的能力。

UI 任务表现超越GPT-4V

将重点放在 UI 后，Ferret-UI 有何亮点呢？

苹果的团队比较了 Ferret-UI-base、Ferret-UI-anyres、Ferret 和 GPT-4V 在所有 UI 任务上的性能，并在高级任务上将开源的 UI 多模态模型 Fuyu 和 CogAgent 也纳入对比之中。

首先是基础的 UI 任务性能测试。

Ferret-UI 在大多数基础 UI 任务上都展现出了优越的性能，尤其是在与iPhone相关的任务上，除了“查找文本”任务外，它在所有任务上都超过了Ferret和GPT-4V。

在OCR（光学字符识别）、图标识别和控件分类等基础 UI 任务上，Ferret-UI 的平均准确率分别为72.9%、82.4%和81.4%，远超 GPT-4V 的平均准确率，后者分别为47.6%、61.3%和37.7%。

在安卓任务上，GPT-4V 的性能显著下降，特别是在定位任务上，这可能是因为安卓屏幕上的小部件更多且更小，使得定位任务更具挑战性。

值得一提的是，在OCR任务中，模型预测的是目标区域旁边的文本，而不是目标区域内的文本。这对于较小的文本和非常靠近其他内容的文本来说很常见。

而 Ferret-UI 却能够准确预测部分被切断的文本，即使在OCR模型返回错误文本的情况下也是如此。

在查找文本、查找图标和查找控件等定位任务上，Ferret-UI也展现出了优越的性能。

而在高级 UI 任务性能的比拼中，Ferret-UI 同样表现优秀。在详细描述（DetDes）、感知对话（ConvP）、交互对话（ConvI）和功能推断（FuncIn）等高级任务上，Ferret-UI 展现了与 GPT-4V 相当的性能，并且在某些任务上超过了GPT-4V。

而与开源UI多模态模型 Fuyu 和 CogAgent 相比，Ferret-UI 在大多数任务上均实现超过。特别是在 iPhone 平台上，Ferret-UI 的性能得分显著高于 Fuyu 和 CogAgent。

而且，尽管 Ferret-UI 的训练数据集没有包含特定的安卓数据，但它在安卓平台的高级任务上仍表现出了可观的性能，表明了模型具有在不同操作系统间的 UI 知识迁移能力。

Anyres 技术解决屏幕长宽比各异难题

那么，Ferret-UI 是如何做到在多项 UI 任务中表现出色的呢？

Ferret-UI 的一个关键创新是在 Ferret 的基础上引入了“任何分辨率”（any resolution，简称anyres）技术。这项技术是为了解决移动设备 UI 屏幕长宽比多样化的问题而提出的。

虽然 Ferret-UI-base 紧密遵循 Ferret 的架构，但 Ferret-UI-anyres 加入了额外的细粒度图像特征，尤其是一个预训练的图像编码器和投影层为整个屏幕生成图像特征。

对于根据原始图像长宽比获得的每个子图像，都会生成额外的图像特征；对于具有区域引用的文本，一个视觉采样器会生成相应的区域连续特征。

大型语言模型（LLM）则使用全图表示、子图表示、区域特征和文本嵌入来生成响应。

Ferret-UI-anyres架构

不过，Anyres 技术有何特别之处？

传统的模型可能需要固定大小的输入，但手机等移动设备的屏幕大小和长宽比各异，显然给模型的输入带来了挑战。

为了适应这一点，Ferret-UI 将屏幕分割成多个子图像，这样可以对每个子图像进行放大，从而捕捉到更多的细节。

具体来说，对于每个基于原始图像长宽比获得的子图像，都会生成额外的图像特征。对于具有区域引用的文本，视觉采样器会生成相应的区域连续特征。

这种方法不仅适用于不同长宽比的屏幕，还提高了模型对UI元素的细节识别能力，能够突出显示屏幕上的小型对象，如图标和文本，对于提高模型的识别和定位精度至关重要。

另外，苹果研究团队还设计了一个分层次的实验方法，从简单到复杂，以逐步提升 Ferret-UI 模型的能力。

从基础的识别和分类任务开始，Ferret-UI 模型建立了对 UI 元素的基本理解，学会了识别和分类 UI 元素，为处理更复杂的任务打下基础。

接着逐步过渡到需要更高层次理解的对话和推断任务。随着模型能力的提高，任务变得更加复杂，要求模型不仅要识别 UI 元素，还要理解它们的功能和上下文。高级任务的设计为模型提供了必要的背景知识和理解能力，使其能够处理复杂的UI交互。

分层次的任务设计不仅有助于模型逐步学习，还能够确保模型在面对更复杂的 UI 交互时具有足够的背景知识和理解能力。通过这种方式，Ferret-UI 能够更好地理解和响应用户的指令，提供更加准确和有用的交互。

从基础的识别和分类到高级的描述和推断，Ferret-UI 在面对真实世界中的UI交互时，能够提供准确和有用的响应。再结合 anyres 技术处理不同分辨率的屏幕，进一步增强了其在实际应用中的有效性和用户体验。

结语

面对当下激烈的大模型“厮杀”，科技巨头们亟需思考如何对市场战略和产品进行与时俱进的布局，苹果自然也不例外。

无论是Ferret-UI、Ferret-UI的前身 Ferret 还是旨在改善与语音助手交互的ReALM，苹果正一步步推进着能够读取屏幕信息的模型研究。

Ferret-UI 能够在移动设备上提供高质量的UI理解和交互，但它能否成为一个强大的工具，促使 iPhone 引入 AI，让苹果从稍显落后的境地反超呢？

让我们拭目以待。

雷峰网(公众号：雷峰网)本文作者 anna042023 将持续关注AI大模型领域的人事、企业、商业应用以及行业发展趋势，欢迎添加交流，互通有无。

雷峰网原创文章，未经授权禁止转载。详情见转载须知。