【论文通读】SeeClick: Harnessing GUI Grounding for Advanced Visual GUI Agents

前言

一篇开创性的关于GUI智能体的工作，作者指出了当前GUI智能体面临的关键问题——GUI grounding能力不足，并基于此做了一系列工作，为提升GUI智能体性能指明了新的方向。

Paper	https://arxiv.org/pdf/2404.07972
github	https://github.com/njucckevin/SeeClick

Abstract

当前，GUI智能体与数字终端交互的方式通过提取的结构化信息，这些信息可能冗长或者无法访问。为此，本文提出SeeClick，只依赖于截图执行自动化任务。在之前的调研中，作者发现当前模型GUI grounding能力不足，为此，作者提出通过GUI预训练方式增强SeeClick该能力，并设计一种自动化管理GUI数据的方法。此外，作者还提出了ScreenSpot数据集，涵盖移动端、桌面和Web环境的真实benchmark。经过预训练后，SeeClick在ScreenSpot上展现了显著提升。此外，在在其他三个全面的benchmark上支持了作者的发现，即GUI grounding能力可以提升下游GUI智能体的性能。

Motivation

自动化桌面工具一直是个热门的话题，基于LLMs驱动的GUI智能体取得了一定的成功。但是仍面临一些问题：

1. 结构化文本并不能总获取到。
2. 结构化文本信息冗余，且忽视了关键的布局、图标等特征。
3. 结构化文本种类繁杂，难以统一管理。

SeeClick如何解决这些问题？

避开结构化文本，从视觉角度构建GUI智能体，模仿人类的交互方式。但是这带来了新的问题：
当前的LVLMs grounding能力不足，无法根据指令定位到屏幕元素位置。
为此，SeeClick对LVLM进行了GUI grounding上的预训练，获得了在各种GUI环境中定位文本、图标等元素的能力。此外，为了填补GUI grounding评测领域的空白，作者提出ScreenSpot GUI grouding benchmark，涵盖IOS、Android、macOS、网页的600多个截图和1200条指令。最后，作者对SeeClick在mobile和web的benchmark上测试，取得了impressive的性能，这些实验一致支持了GUI grounding能力与GUI智能体性能的直接关联。

Method

GUI grounding for LVLMs

给定截图和一组元素集合$\{(x_i,y_i){|}_i\}$，其中：

• $x_i$代表第i个元素的自然语言描述。
• $y_i$代表元素的位置。

LVLM的任务是根据元素$x_i$预测$y_i$的位置。预测数字坐标的任务是一个挑战，之前工作采用新加词表的方式，本文直接将数字作为自然语言的一部分。一个例子：

• instruction：View the new album of Jony J
• Prompt：In the UI, where should I click if I want to ?
• output：click (0.49, 0.40)

Data Construction

使用三种类型数据训练SeeClick：

• **Web UI data (Internet)：**来自Common Crawl的300k web pages，每个网页收集两种类型元素，包括可见文本内容元素，以及悬停显示内容的元素（如下图所示）。
• **Mobile UI data (Public datasets)：**Widget描述，手机UI grounding以及mobile UI summarization。20K截图，40Kwidgets，以及100K的描述。
• **General vision-language instruction-following data：**收集来自LLaVA的对话、详细描述和复杂推理的指令遵循数据，以维持LVLM对自然图像的理解能力。

Training Details

对Qwen-VL进行持续预训练。采用LoRA作用于visual encoder和LLM。

ScreenSpot

为了测试LVLM的GUI grounding的能力，作者构建了ScreenSpot，这是涵盖各种GUI平台最新、真实的grounding评估benchmark，它有两个显著特点：

1. 各种GUI平台。
2. 涉及Icons/widgets的评估。

Experiments

GUI Grounding on ScreenSpot

在ScreenSpot上测试当前LVLMs GUI grounding的能力，测试指标为点击的准确率。

1. 通用的LVLMs由于GUIs和自然图像的差异，在GUI grounding上表现不佳。基于GUI的LVLMs有明显提升。
2. SeeClick表现最好，表明GUI grounding预训练有效。
3. SeeClick在desktop和web上文本定位表现不如CognitiveAgent，可能因为分辨率低以及训练数据小。
4. 所有模型定位都不够好，说明ScreenSpot有一定挑战。

Visual GUI Agent Tasks

本小节测试SeeClick在mobile和计算机智能体任务上的能力，选取的数据集为MiniWob，AITW和Mind2Web，作者先将SeeClick在训练集上训练，再在测试集上测试。

MiniWob

• WebGUM由于使用了更大的数据集以及HTML+Image的方式，所以结果更高。
• SeeClick用少得多的训练数据超越了强大的baseline，包括同数据量下的WebGUM。
• 和同样的基于Image的模型相比，SeeClick仅用了0.3%的数据就超过了Pix2Act。
• SeeClick远远超过了Qwen-VL，强调了GUI grounding对提升LVLM性能的重要性。同时下图也展示了通用LVLMs在精准点击任务上存在困难。

AITW

本小节测试SeeClick在Android手机端benchmark AITW上的性能，同时对数据集按照任务类型重新划分以防止测试集数据泄露。评估指标为screen-wise action matching score以及点击准确率。

结果表明，SeeClick取得了最佳的平均性能。

Mind2Web

本小节测试SeeClick在Web浏览上的性能。采用Mini2Web数据集，该数据集本身是为文本智能体服务的，只选择了HTML中可操作的元素。为此作者从原始数据中解析了截图和目标元素，满足SeeClick输入的同时又和真实场景一致。评估指标采用元素精度、操作F1和步骤成功率。

SeeClick性能落后于基于HTML的方法，说明预测点击坐标的任务比从HTML候选中选择要难得多，凸显了GUI智能体还有很大的改进空间。

Other experiments

上图是grounding和智能体表现之间的联系。图中表明增强GUI能力可以提升智能体任务的表现。

上图表明统一GUI智能体任务会带来性能的下降，这是因为同的GUI界面有明显的不同。

Conclusion

本文提出视觉GUI智能体SeeClick，提出了当前GUI智能体面临的最大挑战：GUI grounding能力，基于此，作者对开源LVLM进行持续预训练，让其获得了一定的GUI grounding的能力，并在多个GUI任务上取得成功，此外，作者构建了第一个涵盖多个平台的真实GUI grounding评估数据集ScreenSpot，基于该数据集的实验表明SeeClick相对于LVLM基线有明显的改进。
对于这篇开创性的工作，有很多值得讨论的地方：

• GUI grounding能力是当前GUI智能体表现不足的主要原因，但是本文只是探索了点击能力，还没有对拖拽、滚动、typing等一系列GUI grounding的任务进行探索，统一这一系列任务，需要收集更丰富的数据集，定义新的动作空间，尤其是这些任务的组合涉及多步数据的收集或合成，这一系列的难题值得进一步的思考。
• 纯GUI grounding并不是最优的选择（可能是性价比最高的选择），文中实验也表明screenshot + HTML等文本信息会得到更优的结果，如果有机将这两个部分进行结合，可能会让GUI智能体获得超出人类的表现。