当前位置： 首页 > news >正文

论文阅读：MultiUI 利用网页UI进行丰富文本的视觉理解

news 2026/3/26 16:13:34

《HARNESSING WEBPAGE UIS FOR TEXT-RICH VISUAL UNDERSTANDING》
利用网页UI进行丰富文本的视觉理解

总结

  • grounding和QA部分的数据集占比较大、同时消融实验显示其作用相对较大，并且grounding部分作用和效果呈现scaling正相关
  • 提供了很多web数据处理成多模态训练集的prompt、思路等、提供了开源代码：https://neulab.github.io/MultiUI/

1、前言

  • 1M URLs
  • 2个平台
  • 3种能力：视觉理解和推理、文本识别、定位

在这里插入图片描述

  • 基于充分结构化的网页来合成多模态指令数据集

在这里插入图片描述

2、数据集构建

  • 数据集通过4步构造

在这里插入图片描述

  • 9个任务的具体设计【重点】

在这里插入图片描述

数据分布

  • grounding数据占 3M/7.3M ~ 41%，mobile的grounding占mobile数据的 47.8%
  • 其次占比最多的是 WebQA、ImgQA

在这里插入图片描述

  • Grounding和action的一些数据示例

在这里插入图片描述
在这里插入图片描述

在这里插入图片描述

3、实验设置

  • 模型结构

在这里插入图片描述

  • 训练策略：两阶段训练

在这里插入图片描述

  • Benchmark

在这里插入图片描述

4、实验结果分析

  • GUI相关任务的实验结果
    • 没有把Seeclick模型在SSpot上的结果放出来（mobile-0.657）；

在这里插入图片描述

  • GUI grounding的能力和数据集大小存在正相关关系
    在这里插入图片描述
  • 消融实验说明了 加入grounding数据集对于screenspot评测集的必要性

在这里插入图片描述

  • 两阶段训练效果更优、提升2点左右

在这里插入图片描述

相关文章：

论文阅读：MultiUI 利用网页UI进行丰富文本的视觉理解

《HARNESSING WEBPAGE UIS FOR TEXT-RICH VISUAL UNDERSTANDING》 利用网页UI进行丰富文本的视觉理解 总结 grounding和QA部分的数据集占比较大、同时消融实验显示其作用相对较大，并且grounding部分作用和效果呈现scaling正相关提供了很多web数据处理成多模态训练…...

编程日记 2024/10/30 19:54:45

【云原生】云原生后端详解：架构与实践

目录 引言一、云原生后端的核心概念1.1 微服务架构1.2 容器化1.3 可编排性1.4 弹性和可伸缩性 二、云原生后端的架构示意图三、云原生后端的最佳实践3.1 使用服务网格3.2 监控与日志管理3.3 CI/CD 流水线3.4 安全性 总结参考资料 引言 随着云计算的迅猛发展，云原生…...

编程日记 2024/10/30 19:53:44

MySQL覆盖索引

覆盖索引（Covering Index）是数据库优化中的一种重要技术 覆盖索引是指一个查询语句在执行时，所需的数据可以完全通过索引来获取，而无需访问实际的数据行。也就是说，查询语句所需的列都包含在了创建的索引中&#xff0c…...

编程日记 2024/10/30 19:51:34

「C/C++」C/C++ 之 循环结构详解

✨博客主页何曾参静谧的博客📌文章专栏「C/C」C/C程序设计📚全部专栏「VS」Visual Studio「C/C」C/C程序设计「UG/NX」BlockUI集合「Win」Windows程序设计「DSA」数据结构与算法「UG/NX」NX二次开发「QT」QT5程序设计「File」数据文件格式「PK」Parasoli…...

编程日记 2024/10/30 19:43:24

json-server的基本使用

一、json-server工具的使用 可以快速的搭建符合RESTful API服务。返回符合RESTful规范的数据； 1、全局引入json-server包 npm install -g json-server2、创建json格式的db.json文件 {"jsonData": [{"name": "小明"}] }3、在json文…...

编程日记 2024/10/30 19:42:22

华为配置BFD状态与接口状态联动实验

组网图形 图1 配置BFD状态与接口状态联动组网图 BFD简介配置注意事项组网需求配置思路操作步骤配置文件 BFD简介 为了减小设备故障对业务的影响，提高网络的可靠性，网络设备需要能够尽快检测到与相邻设备间的通信故障，以便及时采取措施&…...

编程日记 2024/10/30 19:40:19

计算机前沿技术-人工智能算法-大语言模型-最新研究进展-2024-10-22

计算机前沿技术-人工智能算法-大语言模型-最新研究进展-2024-10-22 目录 文章目录 计算机前沿技术-人工智能算法-大语言模型-最新研究进展-2024-10-22目录1. PoisonedRAG: Knowledge corruption attacks to retrieval-augmented generation of large language models摘要创新点…...

编程日记 2024/10/30 19:38:14

理解消息队列

消息队列（Message Queue）有下面四大作用： 解耦。几个业务系统之间可以通过 MQ 解耦，例如做数据同步数据的顺序性和可恢复性异步通讯缓冲能力 理解 MQ MQ 的前两个特点且不说，我们看看另外两个的。 异步通讯&#x…...

编程日记 2024/10/30 19:37:12

!什么，matlab也有网页版了

已经脱离matlab一下下几天的困境了，是的，matlab也有网页版了 附上网址： MATLAB Login | MATLAB & Simulink...

编程日记 2024/10/30 19:36:11

安卓屏幕息屏唤醒

背景，今天遇项目需要，需要在下载在后台任务运行时（如下载、上传或进行长时间计算），保持 CPU 活动，然后就写了这个实现方法，废话不多说上代码 第一步，再清单AndroidManifest文件声明权…...

编程日记 2024/10/30 19:35:10

类文件具有错误的版本 61.0, 应为 55.0

启动项目的时候报这个错误. 项目所使用的redis版本是jdk17的，而我使用的是Java11.所以要将redis版本降下来。 另一种方式就是修改jdk的版本，在设置修改编译版本，在版本控制里面修改jdk的版本。...

编程日记 2024/10/30 19:34:09

vue点击菜单，出现2个相同tab,啥原因

点击菜单，出现相同的tab 出现的原因： 1.组件中的name 和配置路由文件js, 的大小写不一致导致 2、跳转的路由整个地址，大小写不一致大致...

编程日记 2024/10/30 19:29:51

【网络原理】——图解HTTPS如何加密（通俗简单易懂）

阿华代码，不是逆风，就是我疯 你们的点赞收藏是我前进最大的动力！！ 希望本文内容能够帮助到你！！ 目录 一：HTTP为什么不安全 二：HTTPS加密过程 1：密码学中的概念 &…...

编程日记 2024/10/30 19:27:47

CentOS 修改服务器登录密码的完整指南

个人名片 🎓作者简介：java领域优质创作者 🌐个人主页：码农阿豪 📞工作室：新空间代码工作室（提供各种软件服务） 💌个人邮箱：[2435024119qq.com] &#x1f4f1…...

编程日记 2024/10/30 19:26:45

【PnP】详细公式推导，使用DLT直接线性变换法求解相机外参

文章目录 🚀PnP1️⃣ 求解不考虑尺度的解2️⃣ 恢复解的尺度3️⃣ 另一种解法 🚀PnP PnP(Perspective-n-Point)是求解3D到2D点相机外参的算法。PnP算法有DLT直接线性变换、P3P三对点估计位姿、EPnP(Efficient PnP)、BA(Bundle Adjustment)光速法平差。这…...

编程日记 2024/10/30 19:22:32

怎样把书上的事件图改编成活动图-《分析模式》漫谈43

DDD领域驱动设计批评文集 做强化自测题获得“软件方法建模师”称号 《软件方法》各章合集 《分析模式》中模型图的UML改编，之前也有人做过，Martin Fowler网站上给出了部分改编成果。 这些改编成果只覆盖了部分章节，而且只是把类型图&#…...

编程日记 2024/10/30 19:21:31

CodeFormer——基于代码本查找变换器的鲁棒盲人脸修复翻译

文章目录 原文翻译摘要1 Introduction2 Related Work3 Methodology3.1 Codebook Learning (Stage I)3.2 Codebook Lookup Transformer Learning (Stage II)3.3 Controllable Feature Transformation (Stage III) 4 Experiments4.1 Datasets4.2 Experimental Settings and Metri…...

编程日记 2024/10/30 19:20:29

监控场景下，视频SDK的应用策略

在当今数字化、智能化的时代背景下，音视频技术的快速发展正深刻改变着各行各业。特别是在监控领域，音视频SDK的应用不仅极大地提升了监控系统的性能与效率，还推动了监控技术的智能化转型。 一、音视频SDK 音视频SDK是一套集成了音视频编解码…...

编程日记 2024/10/30 19:18:27

前端面试必备！HTML 超实用考点全解析

在前端开发的广阔领域中，面试是检验开发者能力的关键环节。而 HTML 作为前端开发的基础，在面试中常常占据重要地位。无论是初入前端领域的新人，还是经验丰富的开发者，都可能在 HTML 的相关问题上遭遇挑战。今天，就让我…...

编程日记 2024/10/30 19:16:24

自动驾驶系统研发系列—避免事故的利器：AEB自动紧急制动系统详解

🌟🌟 欢迎来到我的技术小筑，一个专为技术探索者打造的交流空间。在这里，我们不仅分享代码的智慧，还探讨技术的深度与广度。无论您是资深开发者还是技术新手，这里都有一片属于您的天空。让我们在知识的海洋中一起航行，共同成长，探索技术的无限可能。 🚀 探索专栏：学…...

编程日记 2024/10/30 19:14:19

开源像素艺术生成器落地实操：像素幻梦在独立游戏开发中的应用

开源像素艺术生成器落地实操：像素幻梦在独立游戏开发中的应用 1. 像素幻梦工具介绍 Pixel Dream Workshop（像素幻梦创意工坊）是一款基于FLUX.1-dev扩散模型的下一代像素艺术生成工具。与传统的AI绘图工具不同，它采用了明亮的16-…...

编程新知 2026/3/26 15:26:02

终极指南：如何解决Cobalt Instagram下载失败问题 - 完整排查方案

终极指南：如何解决Cobalt Instagram下载失败问题 - 完整排查方案 Cobalt是一款强大的开源媒体下载工具，专为保存Instagram、YouTube、Twitter等平台的视频和图片而设计。然而，许多用户在使用Cobalt下载Instagram内容时经常遇到各种失败问题&…...

编程新知 2026/3/26 14:53:53

低成本搭建OpenClaw智能体：星图Qwen3-VL:30B镜像+飞书实战

低成本搭建OpenClaw智能体：星图Qwen3-VL:30B镜像飞书实战 1. 为什么选择本地部署OpenClaw 去年夏天，我接手了一个内容运营的兼职项目，需要每天从几十个信息源收集素材、整理成报告。最初尝试用ChatGPT Plus的API自动化处理，但两…...

编程新知 2026/3/26 14:47:52

技术方案：SENAITE LIMS实验室信息管理系统完整实施指南

技术方案：SENAITE LIMS实验室信息管理系统完整实施指南 【免费下载链接】senaite.lims SENAITE Meta Package 项目地址: https://gitcode.com/gh_mirrors/se/senaite.lims SENAITE LIMS是一款基于Plone和Python技术栈构建的开源实验室信息管理系统&#xff0…...

编程新知 2026/3/26 13:40:59

HunyuanVideo-FoleyGPU算力优化实践：24GB显存利用率提升30%实测分析

HunyuanVideo-FoleyGPU算力优化实践：24GB显存利用率提升30%实测分析 1. 引言 在视频内容创作领域，HunyuanVideo-Foley作为一款集视频生成与AI音效合成于一体的先进工具，正逐渐成为专业创作者的首选。然而，其强大的功能背后是对硬…...

编程新知 2026/3/26 13:30:58

文科生被AI大厂疯抢，月薪3万起，这条热搜，你真的看懂了吗？

最近有个话题悄悄冲上热搜，看得不少人心里一热——#AI大厂月薪3万疯抢文科生#。 事情起因是360创始人周鸿祎在一次采访里说了个挺颠覆的观点：“随着AI技术的发展，文科生将比理科生更吃香。”截图来源微博（如侵删） 他给…...

编程新知 2026/3/26 13:30:58

Qwen1.5-1.8B GPTQ生成技术博客大纲与初稿：以“操作系统内存管理”为例

Qwen1.5-1.8B GPTQ生成技术博客大纲与初稿：以“操作系统内存管理”为例 1. 引言：当AI成为技术写作的“副驾驶” 最近在折腾一些技术分享，想写一篇关于操作系统内存管理的文章。这话题吧，说深了容易劝退，说浅了又没意…...

编程新知 2026/3/26 13:00:53

打破单模态壁垒：SillyTavern多模态交互功能深度解析

打破单模态壁垒：SillyTavern多模态交互功能深度解析 【免费下载链接】SillyTavern LLM Frontend for Power Users. 项目地址: https://gitcode.com/GitHub_Trending/si/SillyTavern 当你尝试向AI描述一幅复杂的场景，却发现文字难以捕捉光影的微妙…...

编程新知 2026/3/26 12:58:49

PathOfBuilding：颠覆式离线构筑计算器如何精准解决流放之路角色规划难题

PathOfBuilding：颠覆式离线构筑计算器如何精准解决流放之路角色规划难题 【免费下载链接】PathOfBuilding Offline build planner for Path of Exile. 项目地址: https://gitcode.com/gh_mirrors/pat/PathOfBuilding 在《流放之路》的复杂世界中，…...

编程新知 2026/3/26 12:10:10

Linux服务器卡死？5分钟定位hung task与soft lockup的实战技巧

Linux服务器卡死？5分钟定位hung task与soft lockup的实战技巧 凌晨三点，服务器监控突然告警——核心业务节点失去响应。作为运维工程师，这种场景往往意味着不眠之夜。但不同于新手的手足无措，经验丰富的系统管理员知道&#xff1a…...

编程新知 2026/3/26 11:39:57