VisualWebArena:评估多模态代理在真实视觉网页任务中的表现

RayRay
VisualWebArena多模态代理视觉网页任务AI评估GPT-4VGithub开源项目

VisualWebArena:开创多模态Web代理评估新纪元

在人工智能和自然语言处理领域,能够在网络上自主规划、推理和执行操作的智能代理正在成为自动化计算机任务的一个极具前景的方向。然而,现有的大多数基准测试主要聚焦于基于文本的代理,忽视了许多需要视觉信息才能有效解决的自然任务。鉴于大多数计算机界面都是为人类感知而设计的,视觉信息往往以文本模型难以有效利用的方式增强了文本数据。为了弥补这一差距,研究人员推出了VisualWebArena,这是一个旨在评估多模态网络代理在真实视觉任务中表现的基准测试平台。

VisualWebArena的核心特性

VisualWebArena由一系列多样化且复杂的基于网络的任务组成,旨在全面评估自主多模态代理的各种能力。要在这个基准测试中取得优异成绩,代理需要准确处理图像-文本输入、解释自然语言指令,并在网站上执行操作以完成用户定义的目标。这种综合性的评估方法为构建更强大的网络自主代理提供了宝贵的见解。

VisualWebArena overview

评估方法与任务设计

VisualWebArena采用了执行式评估范式,通过运行基于执行的测试来全面评估代理在开放式视觉任务中轨迹的正确性。这种方法不仅考察了代理的输出结果,还关注其整个决策和执行过程,从而提供了更加全面和深入的性能评估。

评估任务涵盖了多个网站环境,包括分类广告、购物和Reddit等平台。每个任务都经过精心设计,要求代理能够准确理解视觉和文本信息,并在此基础上执行复杂的操作序列。例如,在分类广告网站上,代理可能需要根据图片和描述找到特定的商品;在购物网站上,它可能需要比较不同产品的视觉特征并做出购买决策。

创新的Set-of-Marks表示法

为了提高代理的导航能力,研究人员引入了一种创新的Set-of-Marks(SoM)表示法。这种方法使用JavaScript自动为网页上的每个可交互元素添加边界框和唯一ID的注释。这些带有边界框和ID的注释截图,连同SoM的文本表示,一起作为输入提供给多模态模型。

Set-of-Mark representation

实验结果表明,SoM表示法显著提高了代理的导航能力,在VisualWebArena上取得了更高的成功率。这种方法为解决多模态代理在复杂网页环境中的导航问题提供了一个有效的解决方案。

基线模型评估与结果分析

研究团队对多个最先进的基于LLM的自主代理进行了广泛评估,包括几种多模态模型。通过详尽的定量和定性分析,他们识别出了仅基于文本的LLM代理的几个局限性,并揭示了当前最先进的多模态语言代理能力上的差距。

评估结果显示,所有现有模型的表现都显著低于人类水平。多模态模型在VisualWebArena上的表现普遍优于仅文本模型,但仍有很大的提升空间。最佳性能来自于GPT-4V与SoM结合的代理,但其成功率仍然只有19.78%,远低于人类88.70%的成功率。

这些结果凸显了当前多模态代理在处理复杂视觉网页任务时面临的挑战,同时也为未来的研究方向提供了重要指引。

VisualWebArena的意义与展望

VisualWebArena的推出为评估多模态自主语言代理提供了一个全面的框架,并为构建更强大的网络自主代理提供了宝贵的洞察。通过揭示当前模型的局限性和能力差距,它为研究人员指明了改进的方向。

这个基准测试的重要性体现在以下几个方面:

  1. 真实性:VisualWebArena模拟了真实世界的网页环境和任务,提高了评估结果的实际应用价值。

  2. 多样性:涵盖了多种网站类型和任务类型,全面测试代理的各方面能力。

  3. 挑战性:设置了高难度的任务,推动了技术的进步和创新。

  4. 标准化:提供了一个统一的评估平台,便于不同模型间的公平比较。

  5. 开放性:代码、基线模型和数据集的公开发布,促进了社区协作和技术发展。

未来,VisualWebArena有望推动多模态代理技术的快速发展,最终实现能够理解和操作复杂网页环境的智能系统。这将为网络自动化、智能助手和人机交互等领域带来革命性的进步。

结语

VisualWebArena的出现标志着多模态Web代理评估进入了一个新的阶段。它不仅为研究人员提供了一个强大的工具来评估和改进他们的模型,也为整个领域的发展指明了方向。随着技术的不断进步,我们可以期待在不久的将来,能够看到更加智能、更加灵活的多模态代理系统,为我们的日常网络交互带来前所未有的便利和效率。

如需了解更多信息或获取代码和数据集,请访问VisualWebArena的项目页面

通过VisualWebArena这一基准测试的推动,多模态Web代理技术必将迎来一个充满机遇与挑战的新时代。让我们共同期待这一领域的持续创新和突破,见证人工智能在Web交互中释放出更大的潜力。

编辑推荐精选

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

HunyuanVideo

HunyuanVideo

HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。

HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力,支持多种分辨率和视频长度选择,能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法,可灵活调整生成参数,满足不同场景的需求,是文本生成图像视频领域的优质工具。

WebUI for Browser Use

WebUI for Browser Use

一个基于 Gradio 构建的 WebUI,支持与浏览器智能体进行便捷交互。

WebUI for Browser Use 是一个强大的项目,它集成了多种大型语言模型,支持自定义浏览器使用,具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务,无论是数据提取、网页导航还是表单填写等操作都能高效实现,有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用,在 SEO 优化方面,其关键词涵盖浏览器使用、WebUI、大型语言模型集成等,有助于提高网页在搜索引擎中的曝光度。

xiaozhi-esp32

xiaozhi-esp32

基于 ESP32 的小智 AI 开发项目,支持多种网络连接与协议,实现语音交互等功能。

xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目,专注于人工智能语音交互领域。项目涵盖了丰富的功能,如网络连接、OTA 升级、设备激活等,同时支持多种语言。无论是开发爱好者还是专业开发者,都能借助该项目快速搭建起高效的 AI 语音交互系统,为智能设备开发提供强大助力。

olmocr

olmocr

一个用于 OCR 的项目,支持多种模型和服务器进行 PDF 到 Markdown 的转换,并提供测试和报告功能。

olmocr 是一个专注于光学字符识别(OCR)的 Python 项目,由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器,如 vllm、sglang、OpenAI 等,可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能,方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域,有助于提高工作效率和准确性。

飞书多维表格

飞书多维表格

飞书多维表格 ×DeepSeek R1 满血版

飞书多维表格联合 DeepSeek R1 模型,提供 AI 自动化解决方案,支持批量写作、数据分析、跨模态处理等功能,适用于电商、短视频、影视创作等场景,提升企业生产力与创作效率。关键词:飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。

下拉加载更多