标题：开源 GLM-PC 基座模型 CogAgent-9B：引领 AI 智能体“看懂”屏幕的新潮流
随着人工智能技术的不断发展，智能体（Agent）在各个领域的应用越来越广泛。近日，智谱技术团队开源了 GLM-PC 的基座模型 CogAgent-9B-20241220，该模型基于 GLM-4V-9B 训练，专用于智能体任务，凭借其强大的性能和广泛的适用性，引领了 AI 智能体“看懂”屏幕的新潮流。
CogAgent-9B-20241220 模型基于 GLM-4V-9B 训练，具有出色的 GUI 感知能力，能够根据用户指定的任意任务，结合历史操作，预测下一步的 GUI 操作。该模型仅需屏幕截图作为输入（无需 HTML 等文本表征），使其在各类基于 GUI 交互的场景中具有广泛的应用前景，如个人电脑、手机、车机设备等。
相较于 2023 年 12 月开源的第一版 CogAgent 模型，CogAgent-9B-20241220 在 GUI 感知、推理预测准确性、动作空间完善性、任务普适性和泛化性等方面均实现了显著提升。值得一提的是，该模型支持中英文双语的屏幕截图和语言交互，进一步拓展了其应用范围。
CogAgent 的输入仅包含三部分：用户的自然语言指令、已执行历史动作记录和 GUI 截图，无需任何文本形式表征的布局信息或附加元素标签（set of marks）信息。这一特性使得 CogAgent 在处理复杂 GUI 场景时具有更高的效率和准确性。
其输出涵盖以下四个方面：
思考过程（Status & Plan）：CogAgent 显式输出理解 GUI 截图和决定下一步操作的思考过程，这一功能使得用户能够直观地了解智能体的决策过程，增强了用户交互的体验。
下一步动作的自然语言描述（Action）：自然语言形式的动作描述将被加入历史操作记录，便于模型理解已执行的动作步骤。这一功能使得智能体不仅能够执行操作，还能够进行逻辑推理，提高了智能体的智能化程度。
下一步动作的结构化描述（Grounded Operation）：CogAgent 以类似函数调用的形式，结构化地描述下一步操作及其参数，这一功能使得智能体能够更加灵活地应对各种复杂的 GUI 场景，提高了智能体的泛用性。
下一步动作的敏感性判断：通过将动作分为“一般操作”和“敏感操作”两类，CogAgent 能够判断动作的风险性，从而避免可能带来难以挽回后果的操作，提高了智能体的安全性。
为了验证 CogAgent-9B-20241220 的性能，该模型在 Screenspot、OmniAct、CogAgentBench-basic-cn 和 OSWorld 等数据集上进行了测试，并与 GPT-4o-20240806、Claude-3.5-Sonnet、Qwen2-VL、ShowUI、SeeClick 等模型进行了比较。实验结果表明，CogAgent 在多个数据集上取得了领先的结果，证明了其在 GUI Agent 领域强大的性能。
综上所述，开源 GLM-PC 基座模型 CogAgent-9B-20241220 的出现，为智能体领域带来了新的发展机遇。凭借其出色的 GUI 感知能力、广泛的适用性、丰富的输出功能以及优越的性能表现，CogAgent 有望在未来的智能体领域中发挥越来越重要的作用，引领 AI 智能体“看懂”屏幕的新潮流。
