一不留神，大模型已经学会了操纵手机？

最近，腾讯最新多模态智能体框架AppAgent曝光，可以像人类一样操作各种应用。

比如在地图软件中输入目标地址，然后唤起导航。

或者想要发一封邮件，AppAgent也能轻松编写，然后直接在客户端中发送。

就算是“反人类”的验证码，也丝毫难不住AppAgent。

甚至是用Lightroom这样人类都不一定会的专业软件P图，也能三下五除二地完成。

而且它还可以观察人类操作，甚至是自主探索，不用教就能学会新的APP。

目前，该项目在GitHub上已经取得了1.5k星标。

操纵水平超越GPT4

为了更具体地评估AppAgent的表现，研究团队一共在10个不同的应用程序上测试了50个任务，其中还包括没有学习过的新APP或操作，结果它都能出色完成。

除了P图的效果由人工评判，AppAgent在其它九个APP上的表现，分别用成功率（SR）、奖励分数和平均步数来衡量。

在自动探索模式下时，AppAgent完成这些任务的成功率达到了73.3%，学习过DEMO之后可以提升到84.4%。

虽然离人类手工指导的95.6%还存在差距，但这样的表现已经远远超过了GPT-4。

而在使用Lightroom进行P图操作时，真人会对“参赛选手”的表现进行评价，评价的方式是对它们的作品效果进行排名而不是打分。

结果AppAgent自行学习DEMO后，表现的平均排名为1.95/3，略低于手工指导的1.75，但比GPT4的2.3还是高出不少。

那么，AppAgent优异表现的背后，采用了什么样的方法呢？

通过界面变化学习操作

研究人员给AppAgent设定了点击、长按、滑动、输入、返回和退出这六种预置操作。

后续的学习过程和操作方案，都是由这六种操作按一定顺序排列组合而成的。

模型方面，AppAgent的基础模型是多模态版的GPT4；工作流程则分为了探索和操作两个阶段。

探索阶段中，研究人员会把应用说明和标有界面中元素位置的XML文件，连同界面截图一起输入给模型。

然后模型通过分析不同截图之间的界面变化，学习APP的功能和操作逻辑。

以发送邮件为例，人类的操作过程被转换成六种预置操作的组合，然后被AppAgent学习。

到了操作阶段，AppAgent会调用学习后的知识库，对应用界面进行分析，了解界面中的功能并根据任务需要设计操作策略。

目前，AppAgent已有DEMO可供体验，暂只支持安卓手机，具体详情和使用方法可以到项目页中查看。

论文地址：

https://www.arxiv.org/abs/2312.13771

文章来自于微信公众号“量子位”（ID: QbitAI)，作者 “克雷西”