移動GUI智能體邁向實用化!全新驗證器架構V-Droid,刷新成功率紀錄

2025年04月12日13:30:31 科技 6589

移動GUI智能體邁向實用化!全新驗證器架構V-Droid,刷新成功率紀錄 - 天天要聞



  新智元報道  

編輯:lrst
【新智元導讀】移動gui自動化智能體v-droid採用「驗證器驅動」架構,通過離散化動作空間並利用llm評估候選動作,實現了高效決策。在androidworld等多個基準測試中任務成功率分別達到59.5%、38.3%和49%,決策延遲僅0.7秒,接近實時響應。

隨著人工智慧和大語言模型(llms)的不斷突破,如何將其優勢賦能現實世界中可實際部署的高效工具,成為了業界關注的焦點。

近期,由微軟亞洲研究院、南洋理工大學、清華大學、香港科技大學等多家機構聯合推出移動圖形用戶界面(gui)任務自動化智能體——v-droid,憑藉其全新「驗證器驅動」架構,v-droid不僅在任務成功率上刷新記錄,同時在決策響應速度上實現了接近實時的表現,為移動端自動化控制開闢了全新局面。

移動GUI智能體邁向實用化!全新驗證器架構V-Droid,刷新成功率紀錄 - 天天要聞

鏈接:https://arxiv.org/abs/2503.15937

移動GUI智能體邁向實用化!全新驗證器架構V-Droid,刷新成功率紀錄 - 天天要聞

圖1:v-droid與其他移動gui智能體在androidworld上的任務成功率與決策響應時間。對於v-droid以及其他7b,8b基準模型,決策時間在雙卡4090上測試得出;對於72b基準模型,決策時間在四卡a100上測試得出

長期以來,移動設備上的任務自動化一直面臨兩大難題:一是如何在複雜、多變的gui環境中準確識別和操作界面元素, 並以多步驟成功完成任務;二是如何在保證任務成功率的前提下降低決策延遲。

以往依靠llm直接生成操作指令的方法,由於生成過程往往需要連續輸出大量信息,導致在實際應用中既不夠高效,又容易出現決策偏差。

移動GUI智能體邁向實用化!全新驗證器架構V-Droid,刷新成功率紀錄 - 天天要聞

圖2:在決策過程中,將 llm 用作生成器與用作驗證器的智能體架構的關鍵區別在於:驗證器驅動的智能體不會直接根據任務狀態直接生成動作,而是在作出最終決策之前,明確地對每個候選動作進行評估

v-droid創新性地提出「驗證器驅動」的思路。該方法不再直接依賴大語言模型生成最終操作,而是首先通過對ui界面的深入解析構建出詳盡的動作集合,再利用經過精細訓練的基於大語言模型的驗證器對每個候選動作進行評估,最終選出得分最高的動作執行。

這種做法將操作生成與決策判斷有效解耦:一方面,與從零開始直接生成所需操作相比,該方案使智能體能夠在一個離散且有限的動作空間內高效地進行驗證,從而大大降低了決策的複雜度;

同時,由於每次驗證僅輸出極簡的信息(僅一個token),並且可以對多個候選動作實現並行驗證,從而顯著縮短了每一步決策所需的時間。

v-droid在多個公共移動任務自動化基準上均取得了顯著提升,例如在androidworld基準上任務成功率達59.5%,比現有智能體提高了近10個百分點,而決策延遲在消費級硬體上(如4090)則降至僅0.7秒左右。

移動GUI智能體邁向實用化!全新驗證器架構V-Droid,刷新成功率紀錄 - 天天要聞

圖3:v-droid 的工作流程:① 從用戶界面中提取動作並補充默認動作;② 針對每個候選動作使用模板構建驗證提示;③ 利用前綴緩存對候選動作進行批量打分;④ 完成並執行所選動作;⑤ 更新工作記憶

v-droid的核心突破主要體現在以下幾個方面:

  1. 動作空間離散化與構建由於移動設備屏幕尺寸有限,每個界面上可交互的元素數量本就較少,v-droid充分利用這一特性,從當前界面的xml描述中提取所有可點擊、長按、滾動、文本輸入等基本操作,將它們映射到一個有限的動作空間中。同時,為了應對界面上未直接呈現的操作(例如返回首頁或模擬系統操作),系統還預置了一系列默認動作。通過這種方式,原本無限的操作可能性被精細劃分為一個可枚舉的集合,在這個集合上進行驗證,大大降低了決策難度。


  2. 驗證器驅動的決策機制與流程不同於傳統依賴生成式模型直接輸出操作指令的方案,v-droid將llm的角色重新定位為驗證器。系統首先根據當前任務狀態構造出候選操作列表,並為每個候選動作生成一個預定義格式的驗證提示(prompt),其中包含任務目標、當前界面狀態、歷史操作記錄以及具體的驗證問題。經過預先微調的驗證器(基於llama-3.1-8b等小語言模型)會對每個候選動作進行評分,最終系統選擇評分最高的動作執行。由於驗證過程只需要生成「yes」或「no」這類簡短回復。更重要是的,多組候選驗證可被高效並行,且此過程中只涉及prefilling階段,從而極大地減少了計算時間,實現了近實時的決策響應。


  3. 對比式過程偏好(p^3)訓練為了提升llm作為驗證器的決策能力,v-droid提出p(3 )訓練策略:對比式過程偏好訓練策略(pairwise process preference)。在每個任務步驟中,通過構建正負操作對(即標記正確操作為正樣本,其他操作為負樣本),系統能夠利用大量細粒度的訓練數據對驗證器進行優化,使其更準確地區分正確與錯誤的操作。這種方法不僅提高了模型對相似界面元素的辨別能力,也在一定程度上增強了系統的容錯與自我修正能力。


  4. 人機聯合標註的數據採集策略由於針對移動gui任務的細粒度標註數據極為稀缺,v-droid設計了一套人機聯合標註方案。系統初始階段由人工作業完成標註,隨後利用經過初步訓練的驗證器自動生成操作標註,再由人工審核與修正。隨著迭代訓練的進行,驗證器的準確性不斷提升,人工介入比例逐漸下降,從而高效構建起一個涵蓋上萬條任務軌跡的數據集,為後續大規模訓練提供了堅實基礎。


移動GUI智能體邁向實用化!全新驗證器架構V-Droid,刷新成功率紀錄 - 天天要聞
移動GUI智能體邁向實用化!全新驗證器架構V-Droid,刷新成功率紀錄 - 天天要聞

圖4:v-droid的任務成功率與單步決策響應時間

v-droid在多個移動任務自動化基準測試中均表現出色。例如,在androidworld基準上,v-droid的任務成功率達到59.5%,相比傳統代理有明顯優勢;在androidlab和mobileagentbench上,其任務成功率分別為38.3%和49%,均超過先前系統約2%至9%的絕對提升。

此外,決策響應時間僅為0.7秒,使得該系統在實時性要求較高的移動場景中具有顯著應用潛力。

v-droid所採用的驗證器驅動架構為移動端自動化任務帶來全新思路。通過將智能體的動作生成過程解耦為動作空間構建與驗證,該系統不僅在任務成功率上取得了顯著提升,還在決策延遲方面實現突破。

未來,這一技術有望推廣至更多實際應用中,如自動化測試等領域。隨著大語言模型技術的不斷進步,以及高效訓練與數據採集策略的成熟,驗證器驅動的移動gui智能體或將成為智能交互領域的突破口。

演示視頻1:「請從 broccoli 應用中刪除以下食譜:雞肉阿爾弗雷多義大利面、番茄羅勒烤麵包以及番茄羅勒烤乳酪三明治」,v-droid約使用20步操作完成此任務。視頻無加速處理。

演示視頻2:「發送簡訊息」,v-droid約使用8步操作完成此任務。視頻無加速處理。

參考資料:
https://arxiv.org/abs/2503.15937

科技分類資訊推薦

年內第三家!健信超導科創板IPO申請獲受理 系全球最大超導磁體獨立供應商 - 天天要聞

年內第三家!健信超導科創板IPO申請獲受理 系全球最大超導磁體獨立供應商

《科創板日報》5月9日訊(記者 李煜) 年內科創板第三家獲受理企業「花落」健信超導。今日(5月9日),上交所官網披露,寧波健信超導科技股份有限公司(以下簡稱「健信超導」)的科創板首發申請獲得受理,保薦機構為廣發證券。健信超導也成為今年科創板第三家獲得受理的企業,「科創板八條」的政策效應持續放大。▍系全球最...
給好評送冰粉、甜品,大眾點評整治這類違規行為,舉報有獎 - 天天要聞

給好評送冰粉、甜品,大眾點評整治這類違規行為,舉報有獎

隨著餐飲行業競爭加劇,不少商家開始「刷好評」。「一杯飲料換一個好評」「15字好評免費領甜品」等套路層出不窮,不僅影響用戶的消費體驗,也折損了「線上好評」的參考價值。近日,「規定字數寫好評換飲品」「寫下差評卻被商家騷擾」這些屢見不鮮的違規行為
我國突破金屬 3D 列印難題,構件表面精度達毫米級 - 天天要聞

我國突破金屬 3D 列印難題,構件表面精度達毫米級

IT之家 5 月 9 日消息,據中國運載火箭技術研究院(火箭院)今日披露消息,一直以來,航天裝備大型構件金屬 3D 列印技術(也叫金屬增材製造技術)面臨著效率和精度難以兼顧的技術難題,如今這個難題有解了。火箭院戰術部和首都航天機械有限公司聯合申報的大型艙段、殼體高效率高精度增材製造技術項目針對新一代航天裝備大型...
無人機不能無人管 - 天天要聞

無人機不能無人管

堅持統籌監管、系統防治,通過以規則規範行為、以技術馴服技術,無人機亂象才能得到有效根治。 圖片內容來源於網路 彩雲網評特約評論員 何冠軍 近日,一段「穿越機在大理崇聖寺三塔的古塔券洞內飛行時墜落」的視頻在網路流傳,引發廣泛關注。經查,涉事「飛手」張某某系擅自飛入三塔景區,大理市公安局依法對其處以行政拘留...
老有所「美」,樂齡群體樂享「數字人生」 - 天天要聞

老有所「美」,樂齡群體樂享「數字人生」

「以前只會用手機按著說話,現在進步很大,學會做小視頻、刷小紅書,有疑問還會找AI幫忙。比如做扭扭棒手工花,我去社交平台找教程,處理老照片也嘗試用美圖功能。」76歲獨居老人馮宣英阿姨,沒想到晚年生活還能「美」出新高度。
智數科技集團擬折讓約18.39%配售最多1970萬股 凈籌約680萬港元 - 天天要聞

智數科技集團擬折讓約18.39%配售最多1970萬股 凈籌約680萬港元

智通財經APP訊,智數科技集團(01159)發布公告,於2025年5月9日(交易時段後),公司與配售代理訂立配售協議,據此,公司委任配售代理(作為公司的獨家代理)盡最大努力於配售事項的先決條件獲達成後,按每股配售股份0.355港元的價格配售最多1970萬股配售股份予不少於六名承配人。配售價較於配售協議日期聯交所所報收市價每股股...
「張灣智警」上崗!無人機變身 「空中 110」 - 天天要聞

「張灣智警」上崗!無人機變身 「空中 110」

晨曦中,數公里外的路口突發擁堵,一架印有「張灣智警」標識的無人機從機庫起飛,通過空中喊話疏導車流,同時將車牌識別畫面,實時推送至地面執法終端。這一幕高效協同的智慧警務場景,正是「張灣智警」無人機系統融入城市治理的日常縮影。
聯想憋了40年的大招:自研5nm晶元上市,這次真沒放鴿子 - 天天要聞

聯想憋了40年的大招:自研5nm晶元上市,這次真沒放鴿子

最近科技圈最熱鬧的事,莫過於聯想在自家新平板上塞了顆"中國芯"。這事要擱五年前,網友能把鍵盤敲出火星子——畢竟在很多人印象里,聯想除了組裝電腦就是賣手機,突然掏出顆5納米晶元,比四川變臉還讓人意外。說起聯想和晶元的恩怨情仇,那真是三天三夜嘮