CogAgent-9B 开源
来自 Z.ai Research · 期号 2024-12-30
摘要
智谱将 GLM-PC 的基座模型 CogAgent-9B 开源。 该模型只需屏幕截图作为输入，就能根据用户指令和历史操作，预测下一步的 GUI 操作，无需 HTML 等文本信息。它可应用于电脑、手机、车机等各类 GUI 场景。 相比 2023 年的第一版，新模型在 GUI 感知、推理准确性、动作空间等方面都有显著提升。在多个评测中，CogAgent 在 GUI 定位、单步操作等任务上领先于 Qwen2-VL、ShowUI 等开源模型，仅在多步操作上略逊于特化的 Claude-3.5-Sonnet。