大模型Google AI Blog4 天前
ScreenAI: A visual language model for UI and visually-situated language understanding
Google Research 发布 ScreenAI,一个 5B 参数的视觉语言模型,基于 PaLI 架构并采用 pix2struct 灵活分块策略,专门理解 UI 界面和信息图。通过自监督预训练与人工标注微调,在 WebSRC、MoTIF、ChartQA、DocVQA 等任务上达到同规模最优,并开源三个新数据集。