通義實驗室多模態(tài)交互團隊近日宣布，其研發(fā)的通用GUI智能體基座模型MAI-UI正式開源。這一模型專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)，例如查詢車票信息、在通訊群組中同步內(nèi)容，或調(diào)整會議安排等日常高頻場景。

據(jù)團隊介紹，MAI-UI的核心優(yōu)勢在于其主動交互能力。當用戶指令模糊時，模型會通過提問澄清需求，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版本均已開源，供開發(fā)者自由使用。

在性能驗證方面，MAI-UI在ScreenSpot-Pro、AndroidWorld等多個GUI理解與任務(wù)執(zhí)行基準測試中表現(xiàn)優(yōu)異，成績位居當前領(lǐng)先水平。其應(yīng)用場景覆蓋手機、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任務(wù)自動化領(lǐng)域具有廣泛潛力。

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