論文の概要: Mobile-Env: A Universal Platform for Training and Evaluation of Mobile
Interaction
- arxiv url: http://arxiv.org/abs/2305.08144v1
- Date: Sun, 14 May 2023 12:31:03 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-16 17:15:33.564647
- Title: Mobile-Env: A Universal Platform for Training and Evaluation of Mobile
Interaction
- Title(参考訳): Mobile-Env: モバイルインタラクションのトレーニングと評価のためのユニバーサルプラットフォーム
- Authors: Danyang Zhang, Lu Chen, Kai Yu
- Abstract要約: 本稿では,新しいプラットフォームであるMobile-Envを紹介する。
Mobile-Envプラットフォームは、柔軟で、適応可能で、容易に拡張できるように設計されている。
大規模言語モデル(LLM)に基づくエージェントをタスクセット上でテストする。
- 参考スコア(独自算出の注目度): 27.583412650703075
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The interaction platform plays a crucial role in the recent advancement of
the control and decision domains like game playing and embodied intelligence.
However, there is still a lack of a satisfactory platform for the information
user interface (InfoUI) interaction. The proposed InfoUI comprises not only the
plain text information, but the multimodal contents and a few spatial
structures with styles as well. To help the research of InfoUI interaction, a
novel platform Mobile-Env is presented in this paper. The Mobile-Env platform
is designed to be flexible, adaptable, and easily-extended. Based on
Mobile-Env, an InfoUI task set is then built for a demonstration and
evaluation. An agent based on the large-scale language model (LLM) is tested on
the task set. The experiment results demonstrate the great potential of the LLM
to do text understanding and matching and, meanwhile, reveal the necessity of a
better mechanism of interaction feedback and exploration. Several new
discussions are conducted as well. A demo video is available at
https://youtu.be/gKV6KZYwxGY. The code repository is available at
https://github.com/X-LANCE/Mobile-Env. The proposed WikiHow task set is made
public at https://huggingface.co/datasets/zdy023/WikiHow-taskset.
- Abstract(参考訳): インタラクションプラットフォームは、ゲームプレイやインテリジェンスなどのコントロールおよび決定領域の最近の進歩において、重要な役割を果たす。
しかし、情報ユーザインタフェース(infoui)インタラクションにはまだ満足のいくプラットフォームが欠けている。
提案したInfoUIは、平易なテキスト情報だけでなく、マルチモーダルな内容と、スタイルを持つ空間構造も含んでいる。
本稿ではInfoUIインタラクションの研究を支援するために,新しいプラットフォームであるMobile-Envを紹介する。
Mobile-Envプラットフォームは、柔軟で、適応可能で、容易に拡張できるように設計されている。
Mobile-EnvをベースにInfoUIタスクセットが構築され、デモと評価が行われる。
大規模言語モデル(LLM)に基づくエージェントをタスクセット上でテストする。
実験結果は、LLMがテキスト理解とマッチングを行う大きな可能性を実証し、一方で、対話フィードバックと探索のより良いメカニズムの必要性を明らかにした。
新たな議論もいくつか行われている。
デモビデオはhttps://youtu.be/gkv6kzywxgyで見ることができる。
コードリポジトリはhttps://github.com/x-lance/mobile-envで入手できる。
提案されたWikiHowタスクセットはhttps://huggingface.co/datasets/zdy023/WikiHow-tasksetで公開されている。
関連論文リスト
- LEGENT: Open Platform for Embodied Agents [60.71847900126832]
LEGENTはLarge Language Models (LLM) とLarge Multimodal Models (LMM) を用いたエンボディエージェントを開発するためのオープンでスケーラブルなプラットフォームである。
LEGENTはリッチでインタラクティブな3D環境を提供し、コミュニケーション可能でアクション可能なエージェントをユーザフレンドリーなインターフェースと組み合わせている。
実験では、EGENT生成データに基づいて訓練された胚性視覚言語モデルが、エンボディタスクにおいてGPT-4Vを超える。
論文 参考訳(メタデータ) (2024-04-28T16:50:12Z) - On the Multi-turn Instruction Following for Conversational Web Agents [83.51251174629084]
本稿では,ユーザと環境の両方で複数回にまたがる高度なインタラクションを必要とする,対話型Webナビゲーションの新たなタスクを紹介する。
本稿では,メモリ利用と自己回帰技術を用いた自己反射型メモリ拡張計画(Self-MAP)を提案する。
論文 参考訳(メタデータ) (2024-02-23T02:18:12Z) - Comprehensive Cognitive LLM Agent for Smartphone GUI Automation [69.32269322774543]
大規模言語モデル(LLM)は、人間のような自律型言語エージェントが現実世界の環境と相互作用する可能性を示している。
我々は、包括的環境認識(CEP)と条件付き行動予測(CAP)という2つの新しいアプローチで、包括的包括的アンダーラインAgent(CoCo-Agent)を提案する。
本稿では, AITW と META-GUI ベンチマークにおいて, 現実的なシナリオにおいて有望な性能を示す新しい最先端性能を実現する。
論文 参考訳(メタデータ) (2024-02-19T08:29:03Z) - Large Language User Interfaces: Voice Interactive User Interfaces powered by LLMs [5.06113628525842]
ユーザとユーザインターフェース(UI)の仲介として機能するフレームワークを提案する。
アノテーションの形でUIコンポーネントのテキストセマンティックマッピングに立つシステムを採用している。
我々のエンジンは、最も適切なアプリケーションを分類し、関連するパラメータを抽出し、その後、ユーザの期待するアクションの正確な予測を実行することができる。
論文 参考訳(メタデータ) (2024-02-07T21:08:49Z) - ASSISTGUI: Task-Oriented Desktop Graphical User Interface Automation [30.693616802332745]
本稿では,ユーザが要求するタスクに応じて,Windowsプラットフォーム上でマウスとキーボードを操作することができるかどうかを評価するための新しいベンチマーク,AssistGUIを提案する。
本稿では,AIエージェントによって駆動される高度なGUIを組み込んだ高度なアクタ・クリティカル・フレームワークを提案する。
論文 参考訳(メタデータ) (2023-12-20T15:28:38Z) - Intelligent Virtual Assistants with LLM-based Process Automation [31.275267197246595]
本稿では,高レベルのユーザ要求に基づいて,モバイルアプリ内のマルチステップ操作を自動的に実行可能な,LLMベースの新しい仮想アシスタントを提案する。
このシステムは、指示を解析し、目標を推論し、行動を実行するエンドツーエンドのソリューションを提供することによって、アシスタントの進歩を表す。
論文 参考訳(メタデータ) (2023-12-04T07:51:58Z) - Unified Human-Scene Interaction via Prompted Chain-of-Contacts [61.87652569413429]
HSI(Human-Scene Interaction)は、AIや仮想現実といった分野において重要なコンポーネントである。
本稿では,言語コマンドによる多様なインタラクションの統一制御を支援する統一型HSIフレームワークUniHSIを提案する。
論文 参考訳(メタデータ) (2023-09-14T17:59:49Z) - Low-code LLM: Graphical User Interface over Large Language Models [115.08718239772107]
本稿では,人間-LLMインタラクションフレームワークであるLow-code LLMを紹介する。
より制御可能で安定した応答を実現するために、6種類のシンプルなローコードビジュアルプログラミングインタラクションを組み込んでいる。
ユーザフレンドリなインタラクション,制御可能な生成,広い適用性という,低コード LLM の3つの利点を強調した。
論文 参考訳(メタデータ) (2023-04-17T09:27:40Z) - Enabling Conversational Interaction with Mobile UI using Large Language
Models [15.907868408556885]
自然言語で多様なUIタスクを実行するには、開発者は通常、特定のタスクごとに別々のデータセットとモデルを作成する必要がある。
本稿では,単一言語モデルを用いて,モバイルUIとの多目的対話を実現することの実現可能性について検討する。
論文 参考訳(メタデータ) (2022-09-18T20:58:39Z) - Mobile App Tasks with Iterative Feedback (MoTIF): Addressing Task
Feasibility in Interactive Visual Environments [54.405920619915655]
これまで最大数のインタラクティブ環境向けに自然言語コマンドを用いたデータセットであるMoTIF(Iterative Feedback)を用いたモバイルアプリタスクを紹介します。
MoTIFは、満足できないインタラクティブ環境のための自然言語リクエストを最初に含んでいる。
初期実現可能性分類実験を行い、より豊かな視覚言語表現の必要性を検証し、f1スコア37.3まで到達した。
論文 参考訳(メタデータ) (2021-04-17T14:48:02Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。