1月30日，来自阿里和北京交通大学的团队在arXiv上发表论文，提出了用于操作手机的智能体框架Mobile-Agent。据介绍，这是一个纯视觉解决方案，不需要XML（可拓展标记语言）和系统元数据，其操作范围不受限制，可进行多应用操作，配备多种视觉感知工具用于操作定位，且无需训练，即插即用。目前，Mobile-Agent已经学会了阿里巴巴、谷歌地图、TikTok等10个APP的操作，可以完成一些跨应用任务。
论文地址：
https://arxiv.org/abs/2401.16158
本文地址：https://www.163264.com/6341
