Рассвет GUI-агента: Предварительное исследование на примере компьютера Claude 3.5

The Dawn of GUI Agent: A Preliminary Case Study with Claude 3.5 Computer Use

November 15, 2024

Авторы: Siyuan Hu, Mingyu Ouyang, Difei Gao, Mike Zheng Shou

cs.AI

Аннотация

Недавно выпущенная модель Claude 3.5 Computer Use выделяется как первая модель искусственного интеллекта на передовом фронте, предлагающая использование компьютера в публичной бета-версии в качестве агента с графическим пользовательским интерфейсом (GUI). В качестве ранней бета-версии ее способности в реальной сложной среде остаются неизвестными. В данном кейс-исследовании, посвященном изучению Claude 3.5 Computer Use, мы курируем и организуем коллекцию тщательно разработанных задач, охватывающих различные области и программное обеспечение. Наблюдения по этим случаям демонстрируют невиданную способность Claude 3.5 Computer Use к выполнению действий от языка к действиям на рабочем столе. Вместе с этим исследованием мы предоставляем готовую к использованию агентскую платформу для развертывания моделей автоматизации GUI на основе API с легкой реализацией. Наши кейс-исследования направлены на демонстрацию основных возможностей и ограничений Claude 3.5 Computer Use с детальным анализом и поднимают вопросы о планировании, действии и критике, которые необходимо учитывать для будущего совершенствования. Мы надеемся, что эта предварительная разработка вдохновит на будущие исследования в сообществе агентов с GUI. Все тестовые случаи в статье можно опробовать через проект: https://github.com/showlab/computer_use_ootb.

English

The recently released model, Claude 3.5 Computer Use, stands out as the first frontier AI model to offer computer use in public beta as a graphical user interface (GUI) agent. As an early beta, its capability in the real-world complex environment remains unknown. In this case study to explore Claude 3.5 Computer Use, we curate and organize a collection of carefully designed tasks spanning a variety of domains and software. Observations from these cases demonstrate Claude 3.5 Computer Use's unprecedented ability in end-to-end language to desktop actions. Along with this study, we provide an out-of-the-box agent framework for deploying API-based GUI automation models with easy implementation. Our case studies aim to showcase a groundwork of capabilities and limitations of Claude 3.5 Computer Use with detailed analyses and bring to the fore questions about planning, action, and critic, which must be considered for future improvement. We hope this preliminary exploration will inspire future research into the GUI agent community. All the test cases in the paper can be tried through the project: https://github.com/showlab/computer_use_ootb.