グローバルAI製品の動向を検索

北京智譜華章科技有限公司は先日、同社の智譜GLM-PCエージェントがアップグレードされ、一般公開されたことを発表しました。世界初のコンピューターを自律操作できるマルチモーダルエージェントであるGLM-PCは、智譜のマルチモーダル大規模モデルCogAgentを基盤としています。ユーザーは簡単なEnter操作で、この革新的なコンピューターインテリジェントアシスタントを体験できます。2024年11月29日のGLM-PC v1.0リリース以来、クローズドβテストが行われてきました。このバージョンでは、

2025年1月23日、一般公開された世界初の、Enterキーを押すだけで利用可能なコンピューターインテリジェンスGLM-PCが再びアップデートされ、大きな注目を集めています。GLM-PCは智譜のマルチモーダル大規模モデルCogAgentをベースとし、人間のようにコンピューターを「観察」し「操作」することで、ユーザーが様々なコンピュータータスクを効率的に完了する支援を行います。

智譜AIのGLM-PC基盤モデルCogAgent-9Bがオープンソースとして公開されました。これは大規模モデルAgentエコシステムの発展を促進することを目的としています。CogAgent-9BはGLM-4V-9Bを基に訓練された専用Agentタスクモデルであり、スクリーンショットのみを入力として、ユーザーが指定した任意のタスクと過去の操作を組み合わせ、次のGUI操作を予測できます。このモデルの汎用性により、パーソナルコンピュータ、スマートフォン、カーナビゲーションデバイスなど、GUIインタラクションをベースとする様々なシーンで広く活用できます。

清華大学知普AIチームは、グラフィカルユーザーインターフェース（GUI）の理解とナビゲーションに特化した新しい視覚言語モデルCogAgentを発表しました。CogAgentは、複雑なGUI要素とテキストを処理するデュアルエンコーダーシステムを採用しており、1120x1120ピクセルの高解像度入力の処理において優れた性能を発揮します。このモデルは、PCおよびAndroidプラットフォームのGUIナビゲーションタスクにおいて、既存のLLM手法を上回り、テキストとビジュアルの質疑応答ベンチマークにおいても優れた性能を示しています。潜在的な用途としては、GUI操作の自動化、G…

智譜AIは、180億パラメーター規模のビジョン言語モデルであるCogAgentをオープンソース化しました。CogAgentはGUIの理解とナビゲーションにおいて優れた性能を示し、複数のベンチマークテストで最先端の汎用性能を達成しています。このモデルは高解像度の視覚入力と対話型Q&Aに対応しており、任意のGUIスクリーンショットに対するQ&Aが可能です。CogAgentはOCR関連タスクにも対応しており、事前学習とファインチューニングにより、その能力は著しく向上しています。モデルは〜