agentcpm-gui 是一款由清华大学和面壁智能团队共同开发的开源端侧 gui agent，专为中文应用进行了优化。该模型基于 minicpm-v（80亿参数）构建，能够接受智能手机截图作为输入，并自主执行用户指定的任务。通过在大规模中文安卓应用界面数据上进行预训练，agentcpm-gui 显著提升了对 gui 元素的理解和定位能力。在中文 grounding benchmark 和 agent benchmark 上，agentcpm-gui 均取得了最先进的性能，是首个针对中文应用精细优化的开源 gui agent。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
AgentCPM-GUI的主要功能
- 中文应用操作：能够理解和操作多种中文应用，如高德地图、大众点评、哔哩哔哩和小红书等。
- 任务自动化执行：在接受用户指令后，自动拆分任务步骤，并在相应应用中准确执行操作，如点单、播放视频等。
- 高质量 GUI 定位：可以准确定位屏幕上的按钮、输入框、标签等 GUI 元素。
- OCR 定位与识别：能够识别屏幕中的文本内容，并根据文本描述执行相应操作。
AgentCPM-GUI的技术原理
- 预训练：通过在大规模中文安卓应用界面数据上进行预训练，覆盖了常见的按钮、输入框、标签、图标等通用 GUI 控件。基于高质量的 GUI Grounding 预训练，提升了模型对视觉界面元素的理解和定位能力。同时具备 OCR Grounding 能力，能够准确定位和识别屏幕中的文本内容。
- 强化微调（RFT）：设计了动作格式奖励、动作类型奖励、动作参数奖励三个维度的奖励函数，引导模型自主生成高质量的思维链过程。在奖励函数的引导下，模型不断优化自身策略，获取更高的奖励，从而提升任务的执行成功率。
- 紧凑动作空间设计：基于紧凑的 JSON 格式，将动作平均长度压缩至 9.7 个 token，减少了推理时的计算和内存需求。这种紧凑的动作空间设计使模型更适合在移动设备上部署，加快了端侧推理速度，并缓解了隐私安全问题。
AgentCPM-GUI的项目地址
- GitHub仓库：https://www.php.cn/link/ab64c7ef8d0578f7dd1acb6d064a61cd
- HuggingFace模型库：https://www.php.cn/link/0871af0e2e24e2b794de31ce67099ba0
AgentCPM-GUI的应用场景
- 智能助手：可以帮助用户基于语音或文字指令完成各种应用操作，如点外卖、播放音乐等。
- 自动化测试：用于自动化测试中文应用的功能和界面，提高测试效率。
- 老年关怀：简化老年人使用智能手机的操作，如视频通话、查看天气等。
- 视障人士辅助：结合语音指令和屏幕阅读器，帮助视障人士更便捷地使用应用。
- 企业应用自动化：自动化执行企业中的重复性任务，如数据录入和报表生成，提高效率。
