🤖InfiGUI-R1：从反应式执行向推理式决策的进阶之路技术分享InfiGUI-R1 引入一种以推理为中心的渐进式训练方法，将 GUI Agents 从反应式执行模型转变为深思熟虑的推理模型。2025-4-29 AI_Agent Multi-Agents UI Agents Web Agents Compute Use Phone Use Mobile Agents VLM LLM 智能体 GUI Agents Reinfocement_Learning InfiGUI-R1 Reason
🧬《控糖革命》：了解血糖影响与控糖策略生活分享《控糖革命》的笔记，介绍了高血糖峰值对健康的负面影响，并详细介绍了通过调整饮食顺序、餐前饮醋、饭后运动、为碳水“穿衣”等实用策略来稳定血糖、促进整体健康的方法。2025-4-10 控糖 血糖管理 饮食顺序 餐后血糖 健康饮食 抗糖化 控糖革命 果糖 葡萄糖 碳水化合物
🤖GUI Agent 中使用 RL 提升模型泛化能力技术分享介绍 GUI Agent 如果利用强化学习（RL）算法训练模型，以提升模型的 OOD 泛化能力。2025-3-3 AI_Agent Multi-Agents UI Agents Web Agents Compute Use Phone Use AutoGLM Mobile Agents VLM LLM 智能体 ShowUI GUI Agents Reinfocement_Learning Digi-Q VEM
♾️估计KL散度的艺术：平衡偏差与方差的实用指南技术分享介绍 KL散度（KL Divergence）的不同预估方法。2025-2-10 Machine Learning Deep Learning Math KL-Divergence GRPO DeepSeek
🤖UI-TARS：利用长期记忆和反思调整不断优化技术分享来自字节跳动的 UI-TARS 基于 Qwen2-VL 微调，通过大量 grounding 和 navigation 数据，经三阶段训练，在感知能力训练加入新任务，利用特定方法迭代优化，以远超多数工作的数据规模，实现对中文图片和指令的良好支持。2025-1-24 AI_Agent Multi-Agents UI Agents Web Agents Compute Use Phone Use AutoGLM AppAgents Mobile Agents VLM LLM 智能体 规划推理 UI-TARS ByteDance GUI Agents
🤖Aguvis：提升的不仅是 UI Agent 的规划推理能力技术分享本文介绍来自 HKU & Salesforce 的 Aguvis。Aguvis 构建了统一的 grounding 和 reasoning 大数据集，采用两阶段训练方式提升模型在 GUI 交互中的规划推理能力。2024-12-13 AI_Agent Multi-Agents UI Agents Web Agents Compute Use Phone Use AutoGLM AppAgents Mobile Agents VLM LLM 智能体 Aguvis 规划推理 GUI Agents
🤖ShowUI：当前最好的 UI Agent 开源模型？技术分享Show Lab 和微软推出 ShowUI，这是一个开源的 UI Agent 模型，在中文 APP 识别和导航能力上表现出色。通过创新的视觉 token 选择和独特的训练数据构建方法，该模型在有限的训练数据下实现了非常棒的性能2024-12-5 AI_Agent Multi-Agents UI Agents Web Agents Compute Use Phone Use AutoGLM SeeClick AppAgents Mobile Agents VLM LLM 智能体 ShowUI GUI Agents
🤖GUI Agents（智能体）最新论文技术分享近期 Claude 发布了 Compute Use，智谱发布了 Phone Use 的 AutoGLM，它们都是利用 UI Agents 技术让智能体模拟人操作电脑和手机完成指定任务。本文列出 UI Agents 相关的最新论文和资料，并持续更新中…2024-11-9 AI_Agent Multi-Agents UI Agents Web Agents Compute Use Phone Use AutoGLM SeeClick AppAgents Mobile Agents VLM LLM 智能体 GUI Agents
🤖GUI Agents（智能体）技术综述技术分享近期 Claude 发布了 Compute Use，智谱发布了 Phone Use 的 AutoGLM，它们都是利用 UI Agents 技术让智能体模拟人操作电脑和手机完成指定任务。本次分享介绍了 UI Agents（智能体）背后使用的大模型技术。2024-11-8 AI_Agent Multi-Agents UI Agents Web Agents Compute Use Phone Use AutoGLM SeeClick AppAgents Mobile Agents VLM LLM 智能体 GUI Agents
🦙LLaMA 3 掀桌子三部曲（二）：LLaMA 3.1 发布技术分享LLaMA 3.1 发布，开源了 405B 的旗舰模型，效果达到闭源的 SOTA 🔥🔥🔥。新模型带来了工具调用、更好地支持多语言等功能。2024-7-25 LLM GPT4 Generative NLP 大语言模型 ChatGPT Meta LLaMA3 LLaMA3.1 多模态模型 GPT-4o VLM
🏞️多模态模型可以融合多少模态？Apple：≥ 21技术分享Apple 的 4M 项目通过创新的多模态融合技术，成功将 21 种不同类型的数据模态嵌入统一的模型框架中，实现了跨模态检索、生成和编辑等任务。2024-7-6 MML 多模态模型 多模态学习 ImageBind 4M Apple Meta Multimodal Learning MaskGIT Transformer
🏞️图像 Token 化：视觉数据转换的关键技术技术分享本文介绍了图像或视频数据的 token 化技术，包括 VQ-VAE、dVAE、VQGAN、TiTok 1D Tokenizer 及 OmniTokenizer 等模型，这些技术通过编码器、向量量化器和解码器将图像转换为离散的 token 序列，以便于模型处理和生成高质量的图像。2024-7-1 Multimodal Learning 多模态学习 VLP Tokenizer VAE VQVAE VQGAN TiTok MaskGIT Transformer OmniTokenizer MML
