通義實(shí)驗(yàn)室多模態(tài)交互團(tuán)隊(duì)近日宣布，其研發(fā)的通用GUI智能體基座模型MAI-UI正式開(kāi)源。這一模型專(zhuān)注于屏幕界面理解與操作執(zhí)行，能夠跨應(yīng)用完成多步驟復(fù)雜任務(wù)，例如查詢車(chē)票信息、在通訊群組中同步內(nèi)容，或調(diào)整會(huì)議安排等日常高頻場(chǎng)景。

據(jù)團(tuán)隊(duì)介紹，MAI-UI的核心優(yōu)勢(shì)在于其主動(dòng)交互能力。當(dāng)用戶指令模糊時(shí)，模型會(huì)通過(guò)提問(wèn)澄清需求，避免因理解偏差導(dǎo)致任務(wù)失敗。模型支持調(diào)用結(jié)構(gòu)化工具，例如地圖搜索或路線規(guī)劃API，直接替代繁瑣的界面點(diǎn)擊操作，顯著提升任務(wù)執(zhí)行效率與成功率。目前，該模型已推出2B和8B兩種參數(shù)規(guī)模的版本，其中2B與8B版本均已開(kāi)源，供開(kāi)發(fā)者自由使用。

在性能驗(yàn)證方面，MAI-UI在ScreenSpot-Pro、AndroidWorld等多個(gè)GUI理解與任務(wù)執(zhí)行基準(zhǔn)測(cè)試中表現(xiàn)優(yōu)異，成績(jī)位居當(dāng)前領(lǐng)先水平。其應(yīng)用場(chǎng)景覆蓋手機(jī)、電腦等主流操作系統(tǒng)，能夠適應(yīng)不同設(shè)備的界面交互需求。這一特性使其在跨平臺(tái)任務(wù)自動(dòng)化領(lǐng)域具有廣泛潛力。

開(kāi)源后，MAI-UI有望推動(dòng)智能體技術(shù)在終端設(shè)備上的落地應(yīng)用。開(kāi)發(fā)者可基于其基座模型，快速構(gòu)建定制化解決方案，例如自動(dòng)化辦公助手、智能客服系統(tǒng)等。團(tuán)隊(duì)表示，未來(lái)將持續(xù)優(yōu)化模型性能，并探索更多場(chǎng)景下的交互可能性。