Agentcpm GUI

🚀 AgentCPM-GUI

AgentCPM-GUI是一個開源的設備端大語言模型（LLM）代理模型，它能夠操作中英文應用程序，並具備強化推理能力。該模型以智能手機截圖為輸入，可自主執行用戶指定的任務。

🚀 快速開始

安裝依賴

git clone https://github.com/OpenBMB/AgentCPM-GUI
cd AgentCPM-GUI
conda create -n gui_agent python=3.11
conda activate gui_agent
pip install -r requirements.txt

下載模型

從Hugging Face下載 AgentCPM-GUI 並將其放置在 model/AgentCPM-GUI 目錄下。

Huggingface推理

import torch
from transformers import AutoTokenizer, AutoModelForCausalLM
from PIL import Image
import json

# 1. 加載模型和分詞器
model_path = "model/AgentCPM-GUI"  # 模型路徑
tokenizer = AutoTokenizer.from_pretrained(model_path, trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(model_path, trust_remote_code=True, torch_dtype=torch.bfloat16)
model = model.to("cuda:0") 

# 2. 構建輸入
instruction = "请点击屏幕上的‘会员’按钮"
image_path = "assets/test.jpeg"
image = Image.open(image_path).convert("RGB")

# 3. 將較長的邊調整為1120像素以節省計算和內存
def __resize__(origin_img):
    resolution = origin_img.size
    w,h = resolution
    max_line_res = 1120
    if max_line_res is not None:
        max_line = max_line_res
        if h > max_line:
            w = int(w * max_line / h)
            h = max_line
        if w > max_line:
            h = int(h * max_line / w)
            w = max_line
    img = origin_img.resize((w,h),resample=Image.Resampling.LANCZOS)
    return img
image = __resize__(image)

# 4. 構建消息格式
messages = [{
    "role": "user",
    "content": [
        f"<Question>{instruction}</Question>\n当前屏幕截图：",
        image
    ]
}]

# 5. 推理
ACTION_SCHEMA = json.load(open('eval/utils/schema/schema.json', encoding="utf-8"))
items = list(ACTION_SCHEMA.items())
insert_index = 3
items.insert(insert_index, ("required", ["thought"])) # 通過設置為 "required"/"optional" 來啟用/禁用 thought
ACTION_SCHEMA = dict(items)
SYSTEM_PROMPT = f'''# Role
你是一名熟悉安卓系统触屏GUI操作的智能体，将根据用户的问题，分析当前界面的GUI元素和布局，生成相应的操作。

# Task
针对用户问题，根据输入的当前屏幕截图，输出下一步的操作。

# Rule
- 以紧凑JSON格式输出
- 输出操作必须遵循Schema约束

# Schema
{json.dumps(ACTION_SCHEMA, indent=None, ensure_ascii=False, separators=(',', ':'))}'''

outputs = model.chat(
    image=None,
    msgs=messages,
    system_prompt=SYSTEM_PROMPT,
    tokenizer=tokenizer,
    temperature=0.1,
    top_p=0.3,
    n=1,
)

# 6. 輸出
print(outputs)

預期輸出：

{"thought":"任务目标是点击屏幕上的‘会员’按钮。当前界面显示了应用的推荐页面，顶部有一个导航栏。点击‘会员’按钮可以访问应用的会员相关内容。","POINT":[729,69]}

vLLM推理

# 啟動vLLM服務器
vllm serve model/AgentCPM-GUI --served-model-name AgentCPM-GUI --tensor_parallel_size 1 --trust-remote-code

import base64
import io
import json
import requests
from PIL import Image

END_POINT = "http://localhost:8000/v1/chat/completions"  # 替換為實際的端點

# 系統提示
ACTION_SCHEMA = json.load(open('eval/utils/schema/schema.json', encoding="utf-8"))
items = list(ACTION_SCHEMA.items())
insert_index = 3
items.insert(insert_index, ("required", ["thought"])) # 通過設置為 "required"/"optional" 來啟用/禁用 thought
ACTION_SCHEMA = dict(items)
SYSTEM_PROMPT = f'''# Role
你是一名熟悉安卓系统触屏GUI操作的智能体，将根据用户的问题，分析当前界面的GUI元素和布局，生成相应的操作。

# Task
针对用户问题，根据输入的当前屏幕截图，输出下一步的操作。

# Rule
- 以紧凑JSON格式输出
- 输出操作必须遵循Schema约束

# Schema
{json.dumps(ACTION_SCHEMA, indent=None, ensure_ascii=False, separators=(',', ':'))}'''

def encode_image(image: Image.Image) -> str:
    """將PIL圖像轉換為Base64編碼的字符串。"""
    with io.BytesIO() as in_mem_file:
        image.save(in_mem_file, format="JPEG")
        in_mem_file.seek(0)
        return base64.b64encode(in_mem_file.read()).decode("utf-8")

def __resize__(origin_img):
    resolution = origin_img.size
    w,h = resolution
    max_line_res = 1120
    if max_line_res is not None:
        max_line = max_line_res
        if h > max_line:
            w = int(w * max_line / h)
            h = max_line
        if w > max_line:
            h = int(h * max_line / w)
            w = max_line
    img = origin_img.resize((w,h),resample=Image.Resampling.LANCZOS)
    return img

def predict(text_prompt: str, image: Image.Image):
    messages = [
        {"role": "system", "content": SYSTEM_PROMPT},
        {"role": "user", "content": [
            {"type": "text", "text": f"<Question>{text_prompt}</Question>\n当前屏幕截图："},
            {"type": "image_url", "image_url": {"url": f"data:image/jpeg;base64,{encode_image(image)}"}}
        ]}
    ]

    payload = {
        "model": "AgentCPM-GUI",  # 你的模型名稱
        "temperature": 0.1,
        "messages": messages,
        "max_tokens": 2048,
    }

    headers = {
        "Content-Type": "application/json",
    }

    response = requests.post(END_POINT, headers=headers, json=payload)
    assistant_msg = response.json()["choices"][0]["message"]["content"]
    return assistant_msg

image = __resize__(Image.open("assets/test.jpeg"))
instruction = "请点击屏幕上的‘会员’按钮"
response = predict(instruction, image)
print(response)

動作空間

在每一步中，代理輸出的是一個單一的JSON對象，其中包含：

• 一個（且僅一個）原始動作，從以下列表中選擇；
• 可選的修飾符（duration、thought）和/或任務級標誌（STATUS）。

請注意，所有關鍵字都是區分大小寫的，並且我們使用緊湊的JSON（即，沒有額外的空格），這會影響分詞器的行為。

✨ 主要特性

• 高質量的GUI基礎：在大規模雙語Android數據集上進行預訓練，顯著提升了對常見GUI小部件（按鈕、輸入框、標籤、圖標等）的定位和理解能力。
• 中文應用操作：首個針對中文應用進行微調的開源GUI代理，涵蓋了30多個熱門應用，如高德地圖、大眾點評、嗶哩嗶哩和小紅書等。
• 增強的規劃與推理能力：強化微調（RFT）使模型在輸出動作之前能夠“思考”，大大提高了複雜任務的成功率。
• 緊湊的動作空間設計：優化的動作空間和簡潔的JSON格式將平均動作長度減少到9.7個標記，提高了設備端的推理效率。

演示案例（1倍速）

點擊查看

📚 詳細文檔

微調

SFT和RFT訓練的源代碼已提供，請參閱 GitHub。

性能評估

基礎基準測試

代理基準測試

*不同的訓練/測試分割

TM和EM分別代表類型匹配和精確匹配。所有評估數據和代碼均已開源，詳情請參閱 此處。

評估數據

我們提供了 CAGUI，這是一個用於中文應用的評估基準，涵蓋了基礎和代理任務。請在 Hugging Face 上查看該數據集。

📄 許可證

本倉庫中的代碼遵循 Apache-2.0 許可證發佈。

🔖 引用

如果 AgentCPM-GUI 對你的研究有幫助，請引用：

@misc{2025,
  author       = {THUNLP},
  title        = {AgentCPM-GUI},
  year         = {2025},
  publisher    = {GitHub},
  journal      = {GitHub repository},
  howpublished = {\url{https://github.com/OpenBMB/AgentCPM-GUI}}
}