[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-OpenBMB--AgentCPM-GUI":3,"tool-OpenBMB--AgentCPM-GUI":62},[4,18,26,36,46,54],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",158594,2,"2026-04-16T23:34:05",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":42,"last_commit_at":43,"category_tags":44,"status":17},8272,"opencode","anomalyco\u002Fopencode","OpenCode 是一款开源的 AI 编程助手（Coding Agent），旨在像一位智能搭档一样融入您的开发流程。它不仅仅是一个代码补全插件，而是一个能够理解项目上下文、自主规划任务并执行复杂编码操作的智能体。无论是生成全新功能、重构现有代码，还是排查难以定位的 Bug，OpenCode 都能通过自然语言交互高效完成，显著减少开发者在重复性劳动和上下文切换上的时间消耗。\n\n这款工具专为软件开发者、工程师及技术研究人员设计，特别适合希望利用大模型能力来提升编码效率、加速原型开发或处理遗留代码维护的专业人群。其核心亮点在于完全开源的架构，这意味着用户可以审查代码逻辑、自定义行为策略，甚至私有化部署以保障数据安全，彻底打破了传统闭源 AI 助手的“黑盒”限制。\n\n在技术体验上，OpenCode 提供了灵活的终端界面（Terminal UI）和正在测试中的桌面应用程序，支持 macOS、Windows 及 Linux 全平台。它兼容多种包管理工具，安装便捷，并能无缝集成到现有的开发环境中。无论您是追求极致控制权的资深极客，还是渴望提升产出的独立开发者，OpenCode 都提供了一个透明、可信",144296,1,"2026-04-16T14:50:03",[13,45],"插件",{"id":47,"name":48,"github_repo":49,"description_zh":50,"stars":51,"difficulty_score":32,"last_commit_at":52,"category_tags":53,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",108322,"2026-04-10T11:39:34",[14,15,13],{"id":55,"name":56,"github_repo":57,"description_zh":58,"stars":59,"difficulty_score":32,"last_commit_at":60,"category_tags":61,"status":17},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[45,13,15,14],{"id":63,"github_repo":64,"name":65,"description_en":66,"description_zh":67,"ai_summary_zh":67,"readme_en":68,"readme_zh":69,"quickstart_zh":70,"use_case_zh":71,"hero_image_url":72,"owner_login":73,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":76,"owner_location":76,"owner_email":77,"owner_twitter":73,"owner_website":78,"owner_url":79,"languages":80,"stars":88,"forks":89,"last_commit_at":90,"license":91,"difficulty_score":10,"env_os":92,"env_gpu":93,"env_ram":94,"env_deps":95,"category_tags":104,"github_topics":76,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":106,"updated_at":107,"faqs":108,"releases":142},8371,"OpenBMB\u002FAgentCPM-GUI","AgentCPM-GUI","AgentCPM-GUI: An on-device GUI agent for operating Android apps, enhancing reasoning ability with reinforcement fine-tuning for efficient task execution.","AgentCPM-GUI 是一款由清华 NLP、中国人民大学与 ModelBest 联合开源的端侧智能体模型，专为在安卓手机上自动执行各类应用任务而设计。它基于 80 亿参数的 MiniCPM-V 架构，能够直接“看懂”手机屏幕截图，并像人类一样自主点击按钮、输入文字或完成复杂流程。\n\n该工具主要解决了传统自动化脚本灵活性差、难以应对复杂交互的痛点。其核心亮点在于引入了强化微调（RFT）技术，让模型在行动前具备“思考”能力，显著提升了处理多步骤任务的推理成功率。同时，它是首个针对中文生态深度优化的开源 GUI 智能体，完美支持高德、大众点评、哔哩哔哩及小红书等 30 多款主流国产应用的精准操作。此外，通过紧凑的动作空间设计，它在保证高精度的同时大幅降低了计算消耗，非常适合在手机等本地设备上高效运行。\n\nAgentCPM-GUI 特别适合移动应用开发者、AI 研究人员以及希望探索手机端自动化解决方案的技术爱好者使用。无论是用于测试应用交互流程，还是构建个性化的手机智能助手，它都能提供强大且流畅的支持，让手机操作变得更加聪明便捷。","\u003Cdiv align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FOpenBMB_AgentCPM-GUI_readme_fdc8b5c43dca.png\" alt=\"AgentCPM-GUI Logo\" width=\"400em\">\u003C\u002Fimg>\n\u003C\u002Fdiv>\n\u003Cp align=\"center\">\n    【English | \u003Ca href=\"README_zh.md\">中文\u003C\u002Fa>】\n\u003C\u002Fp>\n\n\u003Cp align=\"center\">\n  \u003Ca href=\"#overview\">Overview\u003C\u002Fa> •\n  \u003Ca href=\"#quick-start\">Quick Start\u003C\u002Fa> •\n  \u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002Fopenbmb\u002FAgentCPM-GUI\">Model\u003C\u002Fa> •\n  \u003Ca href=\"#evaluation-data\">Evaluation Data\u003C\u002Fa> •\n  \u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fabs\u002F2506.01391\">Technical Report\u003C\u002Fa>\n\u003C\u002Fp>\n\n## News\n\n* [2025-06-03] 📄📄📄 We have released the **technical report** of AgentCPM-GUI! Check it out [here](https:\u002F\u002Farxiv.org\u002Fabs\u002F2506.01391).\n* [2025-05-13] 🚀🚀🚀 We have open-sourced **AgentCPM-GUI**, an on-device GUI agent capable of operating Chinese & English apps and equipped with RFT-enhanced reasoning abilities.\n\n## Overview\n\n**AgentCPM-GUI** is an open-source on-device LLM agent model jointly developed by [THUNLP](https:\u002F\u002Fnlp.csai.tsinghua.edu.cn), Renmin University of China and [ModelBest](https:\u002F\u002Fmodelbest.cn\u002Fen). Built on [MiniCPM-V](https:\u002F\u002Fgithub.com\u002FOpenBMB\u002FMiniCPM-V) with 8 billion parameters, it accepts smartphone screenshots as input and autonomously executes user-specified tasks. \n\nKey features include:\n\n- **High-quality GUI grounding** — Pre-training on a large-scale bilingual Android dataset significantly boosts localization and comprehension of common GUI widgets (buttons, input boxes, labels, icons, etc.).\n- **Chinese-app operation** — The first open-source GUI agent finely tuned for Chinese apps, covering 30 + popular titles such as Amap, Dianping, bilibili and Xiaohongshu.\n- **Enhanced planning & reasoning** — Reinforcement fine-tuning (RFT) lets the model “think” before outputting an action, greatly improving success on complex tasks.\n- **Compact action-space design** — An optimized action space and concise JSON format reduce the average action length to 9.7 tokens, boosting on-device inference efficiency.\n\nDemo Case (1x speed):\n\nhttps:\u002F\u002Fgithub.com\u002Fuser-attachments\u002Fassets\u002F694d3c2c-12ce-4084-8feb-4937ca9ad247\n\n## Quick Start\n\n### Install dependencies\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002FOpenBMB\u002FAgentCPM-GUI\ncd AgentCPM-GUI\nconda create -n gui_agent python=3.11\nconda activate gui_agent\npip install -r requirements.txt\n```\n\n### Download the model\n\nDownload [AgentCPM-GUI](https:\u002F\u002Fhuggingface.co\u002Fopenbmb\u002FAgentCPM-GUI) from Hugging Face and place it in `model\u002FAgentCPM-GUI`.\n\n#### Huggingface Inference\n\n```python\nimport torch\nfrom transformers import AutoTokenizer, AutoModelForCausalLM\nfrom PIL import Image\nimport json\n\n# 1. Load the model and tokenizer\nmodel_path = \"model\u002FAgentCPM-GUI\"  # model path\ntokenizer = AutoTokenizer.from_pretrained(model_path, trust_remote_code=True)\nmodel = AutoModelForCausalLM.from_pretrained(model_path, trust_remote_code=True, torch_dtype=torch.bfloat16)\nmodel = model.to(\"cuda:0\") \n\n# 2. Build the input\ninstruction = \"请点击屏幕上的‘会员’按钮\"\nimage_path = \"assets\u002Ftest.jpeg\"\nimage = Image.open(image_path).convert(\"RGB\")\n\n# 3. Resize the longer side to 1120 px to save compute & memory\ndef __resize__(origin_img):\n    resolution = origin_img.size\n    w,h = resolution\n    max_line_res = 1120\n    if max_line_res is not None:\n        max_line = max_line_res\n        if h > max_line:\n            w = int(w * max_line \u002F h)\n            h = max_line\n        if w > max_line:\n            h = int(h * max_line \u002F w)\n            w = max_line\n    img = origin_img.resize((w,h),resample=Image.Resampling.LANCZOS)\n    return img\nimage = __resize__(image)\n\n# 4. Build the message format\nmessages = [{\n    \"role\": \"user\",\n    \"content\": [\n        f\"\u003CQuestion>{instruction}\u003C\u002FQuestion>\\n当前屏幕截图：\",\n        image\n    ]\n}]\n\n# 5. Inference\nACTION_SCHEMA = json.load(open('eval\u002Futils\u002Fschema\u002Fschema.json', encoding=\"utf-8\"))\nitems = list(ACTION_SCHEMA.items())\ninsert_index = 3\nitems.insert(insert_index, (\"required\", [\"thought\"])) # enable\u002Fdisable thought by setting it to \"required\"\u002F\"optional\"\nACTION_SCHEMA = dict(items)\nSYSTEM_PROMPT = f'''# Role\n你是一名熟悉安卓系统触屏GUI操作的智能体，将根据用户的问题，分析当前界面的GUI元素和布局，生成相应的操作。\n\n# Task\n针对用户问题，根据输入的当前屏幕截图，输出下一步的操作。\n\n# Rule\n- 以紧凑JSON格式输出\n- 输出操作必须遵循Schema约束\n\n# Schema\n{json.dumps(ACTION_SCHEMA, indent=None, ensure_ascii=False, separators=(',', ':'))}'''\n\noutputs = model.chat(\n    image=None,\n    msgs=messages,\n    system_prompt=SYSTEM_PROMPT,\n    tokenizer=tokenizer,\n    temperature=0.1,\n    top_p=0.3,\n    n=1,\n)\n\n# 6. Output\nprint(outputs)\n```\n\nExpected output:\n\n```JSON\n{\"thought\":\"任务目标是点击屏幕上的‘会员’按钮。当前界面显示了应用的推荐页面，顶部有一个导航栏。点击‘会员’按钮可以访问应用的会员相关内容。\",\"POINT\":[729,69]}\n```\n\nNote: AgentCPM-GUI outputs relative coordinates ranging from 0-1000. The conversions are as follows:\n```python\nrel_x, rel_y = [int(abs_x \u002F width * 1000), int(abs_y \u002F height * 1000)]\nabs_x, abs_y = [int(rel_x \u002F 1000 * width), int(rel_y \u002F 1000 * height)]\n```\nwhere width and height refer to the original width and height of the image, respectively.\n\n#### vLLM Inference\n\n```bash\n# Launch the vLLM server\n# If run out of VRAM, try add --max_model_len 2048\nvllm serve model\u002FAgentCPM-GUI --served-model-name AgentCPM-GUI --tensor_parallel_size 1 --trust-remote-code --limit-mm-per-prompt image=10\n```\n\n```python\nimport base64\nimport io\nimport json\nimport requests\nfrom PIL import Image\n\nEND_POINT = \"http:\u002F\u002Flocalhost:8000\u002Fv1\u002Fchat\u002Fcompletions\"  # Replace with actual endpoint\n\n# system prompt\nACTION_SCHEMA = json.load(open('eval\u002Futils\u002Fschema\u002Fschema.json', encoding=\"utf-8\"))\nitems = list(ACTION_SCHEMA.items())\ninsert_index = 3\nitems.insert(insert_index, (\"required\", [\"thought\"])) # enable\u002Fdisable thought by setting it to \"required\"\u002F\"optional\"\nACTION_SCHEMA = dict(items)\nSYSTEM_PROMPT = f'''# Role\n你是一名熟悉安卓系统触屏GUI操作的智能体，将根据用户的问题，分析当前界面的GUI元素和布局，生成相应的操作。\n\n# Task\n针对用户问题，根据输入的当前屏幕截图，输出下一步的操作。\n\n# Rule\n- 以紧凑JSON格式输出\n- 输出操作必须遵循Schema约束\n\n# Schema\n{json.dumps(ACTION_SCHEMA, indent=None, ensure_ascii=False, separators=(',', ':'))}'''\n\ndef encode_image(image: Image.Image) -> str:\n    \"\"\"Convert PIL Image to base64-encoded string.\"\"\"\n    with io.BytesIO() as in_mem_file:\n        image.save(in_mem_file, format=\"JPEG\")\n        in_mem_file.seek(0)\n        return base64.b64encode(in_mem_file.read()).decode(\"utf-8\")\n\ndef __resize__(origin_img):\n    resolution = origin_img.size\n    w,h = resolution\n    max_line_res = 1120\n    if max_line_res is not None:\n        max_line = max_line_res\n        if h > max_line:\n            w = int(w * max_line \u002F h)\n            h = max_line\n        if w > max_line:\n            h = int(h * max_line \u002F w)\n            w = max_line\n    img = origin_img.resize((w,h),resample=Image.Resampling.LANCZOS)\n    return img\n\ndef predict(text_prompt: str, image: Image.Image):\n    messages = [\n        {\"role\": \"system\", \"content\": SYSTEM_PROMPT},\n        {\"role\": \"user\", \"content\": [\n            {\"type\": \"text\", \"text\": f\"\u003CQuestion>{text_prompt}\u003C\u002FQuestion>\\n当前屏幕截图：(\u003Cimage>.\u002F\u003C\u002Fimage>)\"},\n            {\"type\": \"image_url\", \"image_url\": {\"url\": f\"data:image\u002Fjpeg;base64,{encode_image(image)}\"}}\n        ]}\n    ]\n\n    payload = {\n        \"model\": \"AgentCPM-GUI\",  # Your model name\n        \"temperature\": 0.1,\n        \"messages\": messages,\n        \"max_tokens\": 2048,\n    }\n\n    headers = {\n        \"Content-Type\": \"application\u002Fjson\",\n    }\n\n    response = requests.post(END_POINT, headers=headers, json=payload)\n    assistant_msg = response.json()[\"choices\"][0][\"message\"][\"content\"]\n    return assistant_msg\n\nimage = __resize__(Image.open(\"assets\u002Ftest.jpeg\"))\ninstruction = \"请点击屏幕上的‘会员’按钮\"\nresponse = predict(instruction, image)\nprint(response)\n```\n\n### Action Space\n\nAt each step, the agent outputs is a single JSON object that contains:\n- One (and only one) primitive action, chosen from the list below;\n- Optional modifiers (`duration`, `thought`) and\u002For a task-level flag (`STATUS`).\n\nNote that all keywords are **case-sensitive**, and we use **compact JSON** (i.e., no extra whitespace), which affects the tokenizer’s behavior.\n\n| Action         | Required field(s)                                                                                           | Optional field(s)             | Purpose                                                                     |  Example                                  |\n| --------------------- | ----------------------------------------------------------------------------------------------------------- | ----------------------------- | --------------------------------------------------------------------------- | ------------------------------------------------ |\n| **Click**               | `POINT:[x,y]`                                                                                               | `duration`,`thought`,`STATUS` | Single tap at the normalized screen coordinate (0–1000, origin = top-left). | `{\"POINT\":[480,320]}`                            |\n| **Long Press**               | `POINT:[x,y]`\u003Cbr>`duration:1000`                                                                                               | `duration`,`thought`,`STATUS` | Touch-and-hold at coordinate (set a longer duration, e.g. >200 ms). | `{\"POINT\":[480,320],\"duration\":1000}`                            |\n| **Swipe**      | `POINT:[x,y]`\u003Cbr>`to:\"up\" \\| \"down\" \\| \"left\" \\| \"right\"` **or** `to:[x,y]`                                 | `duration`,`thought`,`STATUS` | Swipe from the start point toward a direction **or** another coordinate.     | `{\"POINT\":[500,200],\"to\":\"down\"}` |\n| **Press key**         | `PRESS:\"HOME\" \\| \"BACK\" \\| \"ENTER\"`                                                                         | `duration`,`thought`,`STATUS` | Trigger a hardware \u002F navigation button.                                     | `{\"PRESS\":\"HOME\"}`                |\n| **Type text**         | `TYPE:\"\u003Ctext>\"`                                                                    | `duration`,`thought`,`STATUS` | Insert the given text at the current input focus.                           | `{\"TYPE\":\"Hello, world!\"}`                       |\n| **Wait**              | `duration`                                                                              | `thought`,`STATUS`            | Idle for the specified time without any other action.                       | `{\"duration\":500}`                               |\n| **Task-level status** | `STATUS:\"start\" \\| \"continue\" \\| \"finish\" \\| \"satisfied\" \\| \"impossible\" \\| \"interrupt\" \\| \"need_feedback\"` | `duration`,`thought`          | Report task progress; may appear **alone** or **with a primitive action**.  | `{\"STATUS\":\"finish\"}`                        |\n\n\n## Fine-tuning\n\nSource code for SFT and RFT training is provided — see [SFT](sft\u002Freadme.md) and [RFT](rft\u002Freadme.md).\n\n## Performance Evaluation\n\n### Grounding Benchmark\n\n| Model                   | Fun2Point | Text2Point | Bbox2text | Average |\n|-------------------------|-----------|------------|-----------|--------|\n| **AgentCPM-GUI-8B**     | **79.1**  | **76.5**   | **58.2**  |**71.3**|\n| Qwen2.5-VL-7B           | 59.8      | 59.3       | \u003Cins>50.0\u003C\u002Fins>      | \u003Cins>56.4\u003C\u002Fins>   |\n| Intern2.5-VL-8B         | 17.2      | 24.2       | 45.9      | 29.1   |\n| Intern2.5-VL-26B        | 14.8      | 16.6       | 36.3      | 22.6   |\n| OS-Genesis-7B\t        | 8.3\t      | 5.8\t       | 4.0       | 6.0    |\n| UI-TARS-7B              | 56.8      | \u003Cins>66.7\u003C\u002Fins>       | 1.4       | 41.6   |\n| OS-Atlas-7B             | 53.6      | 60.7       | 0.4       | 38.2   |\n| Aguvis-7B\t              | \u003Cins>60.8\u003C\u002Fins>      | **76.5**   | 0.2       | 45.8   |\n| GPT-4o                  | 22.1      | 19.9       | 14.3      | 18.8   |\n| GPT-4o with Grounding   | 44.3      | 44.0       | 14.3      | 44.2   |\n\n### Agent Benchmark\n\n| Dataset                   | Android Control-Low TM | Android Control-Low EM | Android Control-High TM | Android Control-High EM | GUI-Odyssey TM  | GUI-Odyssey EM  | AITZ TM         | AITZ EM         | Chinese APP (CAGUI) TM  | Chinese APP (CAGUI) EM  |\n| ------------------------- | ---------------------- | ---------------------- | ----------------------- | ----------------------- | --------------- | --------------- | --------------- | --------------- | --------------- | --------------- |\n| **AgentCPM-GUI-8B** | \u003Cins>94.39\u003C\u002Fins> | \u003Cins>90.20\u003C\u002Fins> | \u003Cins>77.70\u003C\u002Fins> | \u003Cins>69.17\u003C\u002Fins> | **90.85** | **74.96** | **85.71** | **76.38** | **96.86** | **91.28** |\n| Qwen2.5-VL-7B             | 94.14                  | 84.96                  | 75.10                   | 62.90                   | 59.54           | 46.28           | 78.41           | 54.61           | 74.18            | 55.16           |\n| UI-TARS-7B                | **95.24**                  | **91.79**                  | **81.63**                   | **74.43**                   | 86.06           | 67.90           | \u003Cins>80.42\u003C\u002Fins>           | \u003Cins>65.77\u003C\u002Fins>           | \u003Cins>88.62\u003C\u002Fins>           | \u003Cins>70.26\u003C\u002Fins>           |\n| OS-Genesis-7B             | 90.74                  | 74.22                  | 65.92                   | 44.43                   | 11.67           | 3.63            | 19.98           | 8.45            | 38.10           | 14.50           |\n| OS-Atlas-7B               | 73.03                  | 67.25                  | 70.36                   | 56.53                   | 91.83*            | 76.76*           | 74.13           | 58.45           | 81.53           | 55.89           |\n| Aguvis-7B                 | 93.85                  | 89.40                  | 65.56                   | 54.18                   | 26.71           | 13.54           | 35.71           | 18.99           | 67.43           | 38.20           |\n| OdysseyAgent-7B           | 65.10                  | 39.16                  | 58.80                   | 32.74                   | \u003Cins>90.83\u003C\u002Fins>           | \u003Cins>73.67\u003C\u002Fins>           | 59.17           | 31.60           | 67.56           | 25.44           |\n| GPT-4o                    | -                      | 19.49                  | -                       | 20.80                   | -               | 20.39           | 70.00           | 35.30           | 3.67            | 3.67            |\n| Gemini 2.0                | -                      | 28.50                  | -                       | 60.20                   | -               | 3.27            | -               | -               | -               | -               |\n| Claude                    | -                      | 19.40                  | -                       | 12.50                   | 60.90           | -               | -               | -               | -               | -               |\n\n> \\*Different train\u002Ftest splits\n\nTM and EM stand for the **Type Match** and **Exact Match**, respectively. All evaluation data and code are open-sourced — see [here](eval) for details.\n\n## Evaluation Data\n\nWe provide **CAGUI**, an evaluation benchmark for Chinese apps covering **grounding** and **agent** tasks.\nSee the dataset on [Hugging Face](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002Fopenbmb\u002FCAGUI).\n\n## FAQs\n\nClick here to view the [FAQs](https:\u002F\u002Fgithub.com\u002FOpenBMB\u002FAgentCPM-GUI\u002Fblob\u002Fmain\u002Feval\u002FREADME.md#faqs).\n\n## Trends\n\n\u003Ca href=\"https:\u002F\u002Fstar-history.com\u002F#OpenBMB\u002FAgentCPM-GUI&Date\">\n \u003Cpicture>\n   \u003Csource media=\"(prefers-color-scheme: dark)\" srcset=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FOpenBMB_AgentCPM-GUI_readme_0af55b8b4c4a.png&theme=dark\" \u002F>\n   \u003Csource media=\"(prefers-color-scheme: light)\" srcset=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FOpenBMB_AgentCPM-GUI_readme_0af55b8b4c4a.png\" \u002F>\n   \u003Cimg alt=\"Star History Chart\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FOpenBMB_AgentCPM-GUI_readme_0af55b8b4c4a.png\" \u002F>\n \u003C\u002Fpicture>\n\u003C\u002Fa>\n\n## License\n\n* Code in this repository is released under the [Apache-2.0](.\u002FLICENSE) license.\n\n## Explore More\n\n\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FOpenBMB\u002FMiniCPM\" title=\"MiniCPM\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FOpenBMB_AgentCPM-GUI_readme_ba52a6d2c048.png\" height=40pt>\u003C\u002Fa>  \n\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FOpenBMB\u002FMiniCPM-V\" title=\"MiniCPM-V\u002Fo\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FOpenBMB_AgentCPM-GUI_readme_26c9ad348ecd.png\" height=40pt>\u003C\u002Fa>  \n\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FOpenBMB\u002FChatDev\u002F\" title=\"ChatDev\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FOpenBMB_AgentCPM-GUI_readme_8e99ba407ebc.png\" height=40pt>\u003C\u002Fa>  \n\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FOpenBMB\u002FAgentVerse\u002F\" title=\"AgentVerse\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FOpenBMB_AgentCPM-GUI_readme_c0a185479fc7.png\" height=40pt>\u003C\u002Fa>  \n\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FOpenBMB\u002FAppCopilot\" title=\"AppCopilot\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FOpenBMB_AgentCPM-GUI_readme_5f0b6b430c50.png\" height=40pt>\u003C\u002Fa>  \n\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FOpenBMB\u002FUltraRAG\" title=\"UltraRAG\">\u003Cimg src=\"https:\u002F\u002Fgithub.com\u002FOpenBMB\u002FUltraRAG\u002Fraw\u002Fmain\u002Fdocs\u002Fultrarag.svg\" height=40pt>\u003C\u002Fa>  \n\n## Citation\n\nIf **AgentCPM-GUI** is useful for your research, please cite:\n\n```bibtex\n@inproceedings{zhang-etal-2025-agentcpm,\n      title={Agent{CPM}-{GUI}: Building Mobile-Use Agents with Reinforcement Fine-Tuning}, \n      author={Zhong Zhang and Yaxi Lu and Yikun Fu and Yupeng Huo and Shenzhi Yang and Yesai Wu and Han Si and Xin Cong and Haotian Chen and Yankai Lin and Jie Xie and Wei Zhou and Wang Xu and Yuanheng Zhang and Zhou Su and Zhongwu Zhai and Xiaoming Liu and Yudong Mei and Jianming Xu and Hongyan Tian and Chongyi Wang and Chi Chen and Yuan Yao and Zhiyuan Liu and Maosong Sun},\n      year={2025},\n      booktitle = \"Proceedings of the 2025 Conference on Empirical Methods in Natural Language Processing: System Demonstrations\",\n}\n```\n","\u003Cdiv align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FOpenBMB_AgentCPM-GUI_readme_fdc8b5c43dca.png\" alt=\"AgentCPM-GUI Logo\" width=\"400em\">\u003C\u002Fimg>\n\u003C\u002Fdiv>\n\u003Cp align=\"center\">\n    【English | \u003Ca href=\"README_zh.md\">中文\u003C\u002Fa>】\n\u003C\u002Fp>\n\n\u003Cp align=\"center\">\n  \u003Ca href=\"#overview\">概述\u003C\u002Fa> •\n  \u003Ca href=\"#quick-start\">快速入门\u003C\u002Fa> •\n  \u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002Fopenbmb\u002FAgentCPM-GUI\">模型\u003C\u002Fa> •\n  \u003Ca href=\"#evaluation-data\">评估数据\u003C\u002Fa> •\n  \u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fabs\u002F2506.01391\">技术报告\u003C\u002Fa>\n\u003C\u002Fp>\n\n## 新闻\n\n* [2025-06-03] 📄📄📄 我们发布了 AgentCPM-GUI 的 **技术报告**！请在此处查看：[https:\u002F\u002Farxiv.org\u002Fabs\u002F2506.01391](https:\u002F\u002Farxiv.org\u002Fabs\u002F2506.01391)。\n* [2025-05-13] 🚀🚀🚀 我们开源了 **AgentCPM-GUI**，这是一款能够在设备端运行的 GUI 智能体，能够操作中英文应用，并具备 RFT 增强的推理能力。\n\n## 概述\n\n**AgentCPM-GUI** 是由 [THUNLP](https:\u002F\u002Fnlp.csai.tsinghua.edu.cn)、中国人民大学和 [ModelBest](https:\u002F\u002Fmodelbest.cn\u002Fen) 联合开发的开源设备端 LLM 智能体模型。它基于拥有 80 亿参数的 [MiniCPM-V](https:\u002F\u002Fgithub.com\u002FOpenBMB\u002FMiniCPM-V)，以智能手机截图作为输入，能够自主执行用户指定的任务。\n\n其主要特点包括：\n\n- **高质量的 GUI 定位** — 在大规模双语 Android 数据集上进行预训练，显著提升了对常见 GUI 控件（按钮、输入框、标签、图标等）的本地化理解和识别能力。\n- **中文应用操作** — 首个针对中文应用进行微调的开源 GUI 智能体，覆盖高德地图、大众点评、哔哩哔哩、小红书等 30 多款热门应用。\n- **增强的规划与推理能力** — 通过强化微调（RFT），模型在输出操作之前会先“思考”，从而大幅提升复杂任务的成功率。\n- **紧凑的动作空间设计** — 优化后的动作空间和简洁的 JSON 格式将平均动作长度缩短至 9.7 个 token，从而提高设备端推理效率。\n\n演示案例（1倍速）：\n\nhttps:\u002F\u002Fgithub.com\u002Fuser-attachments\u002Fassets\u002F694d3c2c-12ce-4084-8feb-4937ca9ad247\n\n## 快速入门\n\n### 安装依赖\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002FOpenBMB\u002FAgentCPM-GUI\ncd AgentCPM-GUI\nconda create -n gui_agent python=3.11\nconda activate gui_agent\npip install -r requirements.txt\n```\n\n### 下载模型\n\n从 Hugging Face 下载 [AgentCPM-GUI](https:\u002F\u002Fhuggingface.co\u002Fopenbmb\u002FAgentCPM-GUI)，并将其放置在 `model\u002FAgentCPM-GUI` 目录下。\n\n#### Hugging Face 推理\n\n```python\nimport torch\nfrom transformers import AutoTokenizer, AutoModelForCausalLM\nfrom PIL import Image\nimport json\n\n# 1. 加载模型和分词器\nmodel_path = \"model\u002FAgentCPM-GUI\"  # 模型路径\ntokenizer = AutoTokenizer.from_pretrained(model_path, trust_remote_code=True)\nmodel = AutoModelForCausalLM.from_pretrained(model_path, trust_remote_code=True, torch_dtype=torch.bfloat16)\nmodel = model.to(\"cuda:0\") \n\n# 2. 构建输入\ninstruction = \"请点击屏幕上的‘会员’按钮\"\nimage_path = \"assets\u002Ftest.jpeg\"\nimage = Image.open(image_path).convert(\"RGB\")\n\n# 3. 将较长的一边调整为 1120 像素，以节省计算和内存资源\ndef __resize__(origin_img):\n    resolution = origin_img.size\n    w,h = resolution\n    max_line_res = 1120\n    if max_line_res is not None:\n        max_line = max_line_res\n        if h > max_line:\n            w = int(w * max_line \u002F h)\n            h = max_line\n        if w > max_line:\n            h = int(h * max_line \u002F w)\n            w = max_line\n    img = origin_img.resize((w,h),resample=Image.Resampling.LANCZOS)\n    return img\nimage = __resize__(image)\n\n# 4. 构建消息格式\nmessages = [{\n    \"role\": \"user\",\n    \"content\": [\n        f\"\u003CQuestion>{instruction}\u003C\u002FQuestion>\\n当前屏幕截图：\",\n        image\n    ]\n}]\n\n# 5. 推理\nACTION_SCHEMA = json.load(open('eval\u002Futils\u002Fschema\u002Fschema.json', encoding=\"utf-8\"))\nitems = list(ACTION_SCHEMA.items())\ninsert_index = 3\nitems.insert(insert_index, (\"required\", [\"thought\"])) # 通过设置为“required”或“optional”来启用或禁用“thought”\nACTION_SCHEMA = dict(items)\nSYSTEM_PROMPT = f'''# 角色\n你是一名熟悉安卓系统触屏 GUI 操作的智能体，将根据用户的问题，分析当前界面的 GUI 元素和布局，生成相应的操作。\n\n# 任务\n针对用户问题，根据输入的当前屏幕截图，输出下一步的操作。\n\n# 规则\n- 以紧凑 JSON 格式输出\n- 输出的操作必须遵循 Schema 约束\n\n# Schema\n{json.dumps(ACTION_SCHEMA, indent=None, ensure_ascii=False, separators=(',', ':'))}'''\n\noutputs = model.chat(\n    image=None,\n    msgs=messages,\n    system_prompt=SYSTEM_PROMPT,\n    tokenizer=tokenizer,\n    temperature=0.1,\n    top_p=0.3,\n    n=1,\n)\n\n# 6. 输出\nprint(outputs)\n```\n\n预期输出：\n\n```JSON\n{\"thought\":\"任务目标是点击屏幕上的‘会员’按钮。当前界面显示了应用的推荐页面，顶部有一个导航栏。点击‘会员’按钮可以访问应用的会员相关内容。\",\"POINT\":[729,69]}\n```\n\n注意：AgentCPM-GUI 输出的是范围为 0-1000 的相对坐标。转换公式如下：\n```python\nrel_x, rel_y = [int(abs_x \u002F width * 1000), int(abs_y \u002F height * 1000)]\nabs_x, abs_y = [int(rel_x \u002F 1000 * width), int(rel_y \u002F 1000 * height)]\n```\n其中，width 和 height 分别指原始图像的宽度和高度。\n\n#### vLLM 推理\n\n```bash\n# 启动 vLLM 服务器\n# 如果显存不足，可尝试添加 --max_model_len 2048\nvllm serve model\u002FAgentCPM-GUI --served-model-name AgentCPM-GUI --tensor_parallel_size 1 --trust-remote-code --limit-mm-per-prompt image=10\n```\n\n```python\nimport base64\nimport io\nimport json\nimport requests\nfrom PIL import Image\n\nEND_POINT = \"http:\u002F\u002Flocalhost:8000\u002Fv1\u002Fchat\u002Fcompletions\"  # 替换为实际端点\n\n# 系统提示\nACTION_SCHEMA = json.load(open('eval\u002Futils\u002Fschema\u002Fschema.json', encoding=\"utf-8\"))\nitems = list(ACTION_SCHEMA.items())\ninsert_index = 3\nitems.insert(insert_index, (\"required\", [\"thought\"])) # 通过设置为“required”或“optional”来启用或禁用“thought”\nACTION_SCHEMA = dict(items)\nSYSTEM_PROMPT = f'''# 角色\n你是一名熟悉安卓系统触屏 GUI 操作的智能体，将根据用户的问题，分析当前界面的 GUI 元素和布局，生成相应的操作。\n\n# 任务\n针对用户问题，根据输入的当前屏幕截图，输出下一步的操作。\n\n# 规则\n- 以紧凑 JSON 格式输出\n- 输出的操作必须遵循 Schema 约束\n\n# 模式\n{json.dumps(ACTION_SCHEMA, indent=None, ensure_ascii=False, separators=(',', ':'))}'''\n\ndef encode_image(image: Image.Image) -> str:\n    \"\"\"将PIL图像转换为base64编码的字符串。\"\"\"\n    with io.BytesIO() as in_mem_file:\n        image.save(in_mem_file, format=\"JPEG\")\n        in_mem_file.seek(0)\n        return base64.b64encode(in_mem_file.read()).decode(\"utf-8\")\n\ndef __resize__(origin_img):\n    resolution = origin_img.size\n    w,h = resolution\n    max_line_res = 1120\n    if max_line_res is not None:\n        max_line = max_line_res\n        if h > max_line:\n            w = int(w * max_line \u002F h)\n            h = max_line\n        if w > max_line:\n            h = int(h * max_line \u002F w)\n            w = max_line\n    img = origin_img.resize((w,h),resample=Image.Resampling.LANCZOS)\n    return img\n\ndef predict(text_prompt: str, image: Image.Image):\n    messages = [\n        {\"role\": \"system\", \"content\": SYSTEM_PROMPT},\n        {\"role\": \"user\", \"content\": [\n            {\"type\": \"text\", \"text\": f\"\u003CQuestion>{text_prompt}\u003C\u002FQuestion>\\n当前屏幕截图：(\u003Cimage>.\u002F\u003C\u002Fimage>)\"},\n            {\"type\": \"image_url\", \"image_url\": {\"url\": f\"data:image\u002Fjpeg;base64,{encode_image(image)}\"}}\n        ]}\n    ]\n\n    payload = {\n        \"model\": \"AgentCPM-GUI\",  # 您的模型名称\n        \"temperature\": 0.1,\n        \"messages\": messages,\n        \"max_tokens\": 2048,\n    }\n\n    headers = {\n        \"Content-Type\": \"application\u002Fjson\",\n    }\n\n    response = requests.post(END_POINT, headers=headers, json=payload)\n    assistant_msg = response.json()[\"choices\"][0][\"message\"][\"content\"]\n    return assistant_msg\n\nimage = __resize__(Image.open(\"assets\u002Ftest.jpeg\"))\ninstruction = \"请点击屏幕上的‘会员’按钮\"\nresponse = predict(instruction, image)\nprint(response)\n```\n\n### 行动空间\n\n在每一步中，智能体输出的是一个单一的JSON对象，其中包含：\n- 一个（且仅一个）基本动作，从下面的列表中选择；\n- 可选的修饰符（`duration`、`thought`）和\u002F或任务级别的标志（`STATUS`）。\n\n请注意，所有关键字都是**区分大小写**的，并且我们使用**紧凑的JSON**格式（即没有多余的空格），这会影响分词器的行为。\n\n| 动作         | 必需字段                                                                                           | 可选字段             | 目的                                                                     |  示例                                  |\n| --------------------- | ----------------------------------------------------------------------------------------------------------- | ----------------------------- | --------------------------------------------------------------------------- | ------------------------------------------------ |\n| **点击**               | `POINT:[x,y]`                                                                                               | `duration`,`thought`,`STATUS` | 在归一化的屏幕坐标上进行单次点击（0–1000，原点为左上角）。 | `{\"POINT\":[480,320]}`                            |\n| **长按**               | `POINT:[x,y]`\u003Cbr>`duration:1000`                                                                                               | `duration`,`thought`,`STATUS` | 在坐标处触摸并保持（设置较长的持续时间，例如超过200毫秒）。 | `{\"POINT\":[480,320],\"duration\":1000}`                            |\n| **滑动**      | `POINT:[x,y]`\u003Cbr>`to:\"up\" \\| \"down\" \\| \"left\" \\| \"right\"` **或** `to:[x,y]`                                 | `duration`,`thought`,`STATUS` | 从起始点向某个方向 **或** 另一个坐标滑动。     | `{\"POINT\":[500,200],\"to\":\"down\"}` |\n| **按键**         | `PRESS:\"HOME\" \\| \"BACK\" \\| \"ENTER\"`                                                                         | `duration`,`thought`,`STATUS` | 触发硬件或导航按钮。                                     | `{\"PRESS\":\"HOME\"}`                |\n| **输入文本**         | `TYPE:\"\u003Ctext>\"`                                                                    | `duration`,`thought`,`STATUS` | 在当前输入焦点处插入给定文本。                           | `{\"TYPE\":\"Hello, world!\"}`                       |\n| **等待**              | `duration`                                                                              | `thought`,`STATUS`            | 在不执行任何其他动作的情况下空闲指定的时间。                       | `{\"duration\":500}`                               |\n| **任务级状态** | `STATUS:\"start\" \\| \"continue\" \\| \"finish\" \\| \"satisfied\" \\| \"impossible\" \\| \"interrupt\" \\| \"need_feedback\"` | `duration`,`thought`          | 报告任务进度；可以单独出现，也可以与基本动作一起出现。  | `{\"STATUS\":\"finish\"}`                        |\n\n\n## 微调\n\n提供了SFT和RFT训练的源代码——请参阅[SFT](sft\u002Freadme.md)和[RFT](rft\u002Freadme.md)。\n\n## 性能评估\n\n### 接地基准测试\n\n| 模型                   | Fun2Point | Text2Point | Bbox2text | 平均 |\n|-------------------------|-----------|------------|-----------|--------|\n| **AgentCPM-GUI-8B**     | **79.1**  | **76.5**   | **58.2**  |**71.3**|\n| Qwen2.5-VL-7B           | 59.8      | 59.3       | \u003Cins>50.0\u003C\u002Fins>      | \u003Cins>56.4\u003C\u002Fins>   |\n| Intern2.5-VL-8B         | 17.2      | 24.2       | 45.9      | 29.1   |\n| Intern2.5-VL-26B        | 14.8      | 16.6       | 36.3      | 22.6   |\n| OS-Genesis-7B\t        | 8.3\t      | 5.8\t       | 4.0       | 6.0    |\n| UI-TARS-7B              | 56.8      | \u003Cins>66.7\u003C\u002Fins>       | 1.4       | 41.6   |\n| OS-Atlas-7B             | 53.6      | 60.7       | 0.4       | 38.2   |\n| Aguvis-7B\t              | \u003Cins>60.8\u003C\u002Fins>      | **76.5**   | 0.2       | 45.8   |\n| GPT-4o                  | 22.1      | 19.9       | 14.3      | 18.8   |\n| 带接地功能的GPT-4o   | 44.3      | 44.0       | 14.3      | 44.2   |\n\n### 代理基准测试\n\n| 数据集                   | Android 控制-低 TM | Android 控制-低 EM | Android 控制-高 TM | Android 控制-高 EM | GUI-Odyssey TM  | GUI-Odyssey EM  | AITZ TM         | AITZ EM         | 中文 APP (CAGUI) TM  | 中文 APP (CAGUI) EM  |\n| ------------------------- | ------------------ | ------------------ | ------------------ | ------------------ | --------------- | --------------- | --------------- | --------------- | --------------- | --------------- |\n| **AgentCPM-GUI-8B** | \u003Cins>94.39\u003C\u002Fins> | \u003Cins>90.20\u003C\u002Fins> | \u003Cins>77.70\u003C\u002Fins> | \u003Cins>69.17\u003C\u002Fins> | **90.85** | **74.96** | **85.71** | **76.38** | **96.86** | **91.28** |\n| Qwen2.5-VL-7B             | 94.14              | 84.96              | 75.10              | 62.90              | 59.54           | 46.28           | 78.41           | 54.61           | 74.18            | 55.16           |\n| UI-TARS-7B                | **95.24**          | **91.79**          | **81.63**          | **74.43**          | 86.06           | 67.90           | \u003Cins>80.42\u003C\u002Fins>           | \u003Cins>65.77\u003C\u002Fins>           | \u003Cins>88.62\u003C\u002Fins>           | \u003Cins>70.26\u003C\u002Fins>           |\n| OS-Genesis-7B             | 90.74              | 74.22              | 65.92              | 44.43              | 11.67           | 3.63            | 19.98           | 8.45            | 38.10           | 14.50           |\n| OS-Atlas-7B               | 73.03              | 67.25              | 70.36              | 56.53              | 91.83*            | 76.76*           | 74.13           | 58.45           | 81.53           | 55.89           |\n| Aguvis-7B                 | 93.85              | 89.40              | 65.56              | 54.18              | 26.71           | 13.54           | 35.71           | 18.99           | 67.43           | 38.20           |\n| OdysseyAgent-7B           | 65.10              | 39.16              | 58.80              | 32.74              | \u003Cins>90.83\u003C\u002Fins>           | \u003Cins>73.67\u003C\u002Fins>           | 59.17           | 31.60           | 67.56           | 25.44           |\n| GPT-4o                    | -                  | 19.49              | -                  | 20.80              | -               | 20.39           | 70.00           | 35.30           | 3.67            | 3.67            |\n| Gemini 2.0                | -                  | 28.50              | -                  | 60.20              | -               | 3.27            | -               | -               | -               | -               |\n| Claude                    | -                  | 19.40              | -                  | 12.50              | 60.90           | -               | -               | -               | -               | -               |\n\n> \\*不同的训练\u002F测试划分\n\nTM 和 EM 分别代表 **类型匹配** 和 **完全匹配**。所有评估数据和代码均已开源——详情请参见 [这里](eval)。\n\n## 评估数据\n\n我们提供了 **CAGUI**，这是一个针对中文应用的评估基准，涵盖 **定位** 和 **代理** 任务。\n可在 [Hugging Face](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002Fopenbmb\u002FCAGUI) 上查看该数据集。\n\n## 常见问题解答\n\n点击此处查看 [常见问题解答](https:\u002F\u002Fgithub.com\u002FOpenBMB\u002FAgentCPM-GUI\u002Fblob\u002Fmain\u002Feval\u002FREADME.md#faqs)。\n\n## 趋势\n\n\u003Ca href=\"https:\u002F\u002Fstar-history.com\u002F#OpenBMB\u002FAgentCPM-GUI&Date\">\n \u003Cpicture>\n   \u003Csource media=\"(prefers-color-scheme: dark)\" srcset=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FOpenBMB_AgentCPM-GUI_readme_0af55b8b4c4a.png&theme=dark\" \u002F>\n   \u003Csource media=\"(prefers-color-scheme: light)\" srcset=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FOpenBMB_AgentCPM-GUI_readme_0af55b8b4c4a.png\" \u002F>\n   \u003Cimg alt=\"Star History Chart\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FOpenBMB_AgentCPM-GUI_readme_0af55b8b4c4a.png\" \u002F>\n \u003C\u002Fpicture>\n\u003C\u002Fa>\n\n## 许可证\n\n* 本仓库中的代码根据 [Apache-2.0](.\u002FLICENSE) 许可证发布。\n\n## 探索更多\n\n\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FOpenBMB\u002FMiniCPM\" title=\"MiniCPM\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FOpenBMB_AgentCPM-GUI_readme_ba52a6d2c048.png\" height=40pt>\u003C\u002Fa>  \n\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FOpenBMB\u002FMiniCPM-V\" title=\"MiniCPM-V\u002Fo\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FOpenBMB_AgentCPM-GUI_readme_26c9ad348ecd.png\" height=40pt>\u003C\u002Fa>  \n\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FOpenBMB\u002FChatDev\u002F\" title=\"ChatDev\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FOpenBMB_AgentCPM-GUI_readme_8e99ba407ebc.png\" height=40pt>\u003C\u002Fa>  \n\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FOpenBMB\u002FAgentVerse\u002F\" title=\"AgentVerse\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FOpenBMB_AgentCPM-GUI_readme_c0a185479fc7.png\" height=40pt>\u003C\u002Fa>  \n\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FOpenBMB\u002FAppCopilot\" title=\"AppCopilot\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FOpenBMB_AgentCPM-GUI_readme_5f0b6b430c50.png\" height=40pt>\u003C\u002Fa>  \n\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FOpenBMB\u002FUltraRAG\" title=\"UltraRAG\">\u003Cimg src=\"https:\u002F\u002Fgithub.com\u002FOpenBMB\u002FUltraRAG\u002Fraw\u002Fmain\u002Fdocs\u002Fultrarag.svg\" height=40pt>\u003C\u002Fa> &nbsp.\n\n## 引用\n\n若 **AgentCPM-GUI** 对您的研究有所帮助，请引用以下内容：\n\n```bibtex\n@inproceedings{zhang-etal-2025-agentcpm,\n      title={Agent{CPM}-{GUI}: Building Mobile-Use Agents with Reinforcement Fine-Tuning}, \n      author={Zhong Zhang and Yaxi Lu and Yikun Fu and Yupeng Huo and Shenzhi Yang and Yesai Wu and Han Si and Xin Cong and Haotian Chen and Yankai Lin and Jie Xie and Wei Zhou and Wang Xu and Yuanheng Zhang and Zhou Su and Zhongwu Zhai and Xiaoming Liu and Yudong Mei and Jianming Xu and Hongyan Tian and Chongyi Wang and Chi Chen and Yuan Yao and Zhiyuan Liu and Maosong Sun},\n      year={2025},\n      booktitle = \"Proceedings of the 2025 Conference on Empirical Methods in Natural Language Processing: System Demonstrations\",\n}\n```","# AgentCPM-GUI 快速上手指南\n\nAgentCPM-GUI 是一款由清华 NLP、中国人民大学和 ModelBest 联合开源的端侧 GUI 智能体模型。基于 MiniCPM-V (8B) 构建，支持中英文应用操作，具备强大的界面定位与推理规划能力。\n\n## 1. 环境准备\n\n*   **系统要求**：Linux \u002F macOS \u002F Windows (推荐 Linux)\n*   **Python 版本**：3.11\n*   **硬件要求**：支持 CUDA 的 NVIDIA GPU (推荐显存 ≥ 16GB 以运行 bfloat16 精度)\n*   **前置依赖**：Conda (推荐用于环境管理)\n\n## 2. 安装步骤\n\n### 2.1 克隆代码库并创建环境\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002FOpenBMB\u002FAgentCPM-GUI\ncd AgentCPM-GUI\nconda create -n gui_agent python=3.11\nconda activate gui_agent\npip install -r requirements.txt\n```\n\n> **提示**：国内用户若下载依赖较慢，可添加清华源加速：\n> `pip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple`\n\n### 2.2 下载模型\n\n从 Hugging Face 下载 [AgentCPM-GUI](https:\u002F\u002Fhuggingface.co\u002Fopenbmb\u002FAgentCPM-GUI) 模型权重，并将其放置于项目根目录下的 `model\u002FAgentCPM-GUI` 文件夹中。\n\n> **国内加速**：建议使用 [ModelScope (魔搭社区)](https:\u002F\u002Fmodelscope.cn\u002F) 镜像站下载，或配置 Hugging Face 镜像代理。\n\n## 3. 基本使用\n\n以下示例展示如何使用 Transformers 库加载模型并进行单次推理。\n\n### 3.1 编写推理脚本\n\n创建文件 `infer.py`，填入以下代码：\n\n```python\nimport torch\nfrom transformers import AutoTokenizer, AutoModelForCausalLM\nfrom PIL import Image\nimport json\n\n# 1. 加载模型和分词器\nmodel_path = \"model\u002FAgentCPM-GUI\"  # 模型本地路径\ntokenizer = AutoTokenizer.from_pretrained(model_path, trust_remote_code=True)\nmodel = AutoModelForCausalLM.from_pretrained(model_path, trust_remote_code=True, torch_dtype=torch.bfloat16)\nmodel = model.to(\"cuda:0\") \n\n# 2. 构建输入\ninstruction = \"请点击屏幕上的‘会员’按钮\"\nimage_path = \"assets\u002Ftest.jpeg\" # 请确保该图片存在，或替换为你的截图路径\nimage = Image.open(image_path).convert(\"RGB\")\n\n# 3. 图像预处理：将长边缩放至 1120px 以节省显存\ndef __resize__(origin_img):\n    resolution = origin_img.size\n    w,h = resolution\n    max_line_res = 1120\n    if max_line_res is not None:\n        max_line = max_line_res\n        if h > max_line:\n            w = int(w * max_line \u002F h)\n            h = max_line\n        if w > max_line:\n            h = int(h * max_line \u002F w)\n            w = max_line\n    img = origin_img.resize((w,h),resample=Image.Resampling.LANCZOS)\n    return img\nimage = __resize__(image)\n\n# 4. 构建消息格式\nmessages = [{\n    \"role\": \"user\",\n    \"content\": [\n        f\"\u003CQuestion>{instruction}\u003C\u002FQuestion>\\n当前屏幕截图：\",\n        image\n    ]\n}]\n\n# 5. 配置 Schema 与系统提示词\nACTION_SCHEMA = json.load(open('eval\u002Futils\u002Fschema\u002Fschema.json', encoding=\"utf-8\"))\nitems = list(ACTION_SCHEMA.items())\ninsert_index = 3\n# 设置 \"thought\" 为必填项，启用推理能力\nitems.insert(insert_index, (\"required\", [\"thought\"])) \nACTION_SCHEMA = dict(items)\n\nSYSTEM_PROMPT = f'''# Role\n你是一名熟悉安卓系统触屏 GUI 操作的智能体，将根据用户的问题，分析当前界面的 GUI 元素和布局，生成相应的操作。\n\n# Task\n针对用户问题，根据输入的当前屏幕截图，输出下一步的操作。\n\n# Rule\n- 以紧凑 JSON 格式输出\n- 输出操作必须遵循 Schema 约束\n\n# Schema\n{json.dumps(ACTION_SCHEMA, indent=None, ensure_ascii=False, separators=(',', ':'))}'''\n\n# 6. 执行推理\noutputs = model.chat(\n    image=None,\n    msgs=messages,\n    system_prompt=SYSTEM_PROMPT,\n    tokenizer=tokenizer,\n    temperature=0.1,\n    top_p=0.3,\n    n=1,\n)\n\n# 7. 输出结果\nprint(outputs)\n```\n\n### 3.2 运行与结果解析\n\n运行脚本：\n```bash\npython infer.py\n```\n\n**预期输出示例：**\n```JSON\n{\"thought\":\"任务目标是点击屏幕上的‘会员’按钮。当前界面显示了应用的推荐页面，顶部有一个导航栏。点击‘会员’按钮可以访问应用的会员相关内容。\",\"POINT\":[729,69]}\n```\n\n**坐标说明：**\n模型输出的坐标 `POINT:[x, y]` 为 **相对坐标 (0-1000)**。需根据原始图片分辨率转换为绝对像素坐标：\n\n```python\n# rel_x, rel_y 为模型输出的 0-1000 坐标\n# width, height 为原始图片的宽和高\nabs_x = int(rel_x \u002F 1000 * width)\nabs_y = int(rel_y \u002F 1000 * height)\n```\n\n### 3.3 支持的操作类型\n\n模型输出的 JSON 中包含以下原子操作之一：\n\n| 动作类型 | 关键字段示例 | 说明 |\n| :--- | :--- | :--- |\n| **点击** | `{\"POINT\":[480,320]}` | 在指定相对坐标处单击 |\n| **长按** | `{\"POINT\":[480,320],\"duration\":1000}` | 长按指定时长 (毫秒) |\n| **滑动** | `{\"POINT\":[500,200],\"to\":\"down\"}` | 向指定方向滑动 (up\u002Fdown\u002Fleft\u002Fright) 或滑向特定坐标 |\n| **按键** | `{\"PRESS\":\"HOME\"}` | 触发系统键 (HOME\u002FBACK\u002FENTER) |\n| **输入文本** | `{\"TYPE\":\"Hello\"}` | 在当前焦点输入文本 |\n| **等待** | `{\"duration\":500}` | 暂停指定时长 |\n| **状态标记** | `{\"STATUS\":\"finish\"}` | 标记任务完成、不可能完成等状态 |","一位视障用户或老年用户试图在复杂的中文安卓应用（如“大众点评”）中完成“查找附近评分最高的川菜馆并预订座位”的多步任务。\n\n### 没有 AgentCPM-GUI 时\n- **操作门槛高**：用户难以在密集的中文界面中精准定位“筛选”、“排序”及“预订”等微小按钮，极易误触。\n- **任务易中断**：一旦弹窗广告出现或页面跳转，用户往往迷失方向，无法自主恢复后续操作流程。\n- **缺乏逻辑推理**：传统辅助工具仅能执行单一指令（如“点击这里”），无法理解“评分最高”这一需要比较和判断的复杂意图。\n- **隐私与安全顾虑**：若使用云端方案处理屏幕截图，用户的个人浏览习惯和位置信息存在泄露风险。\n- **响应延迟明显**：依赖网络传输图像和指令，导致操作反馈慢，用户体验割裂。\n\n### 使用 AgentCPM-GUI 后\n- **精准控件识别**：凭借高质量的 GUI 接地能力，AgentCPM-GUI 能准确识别并定位中文应用中的各类复杂组件，实现零误差点击。\n- **自主规划执行**：基于强化微调（RFT）增强的推理力，它能自动拆解任务，即使遇到弹窗也能独立思考并继续完成预订流程。\n- **深度意图理解**：模型能先“思考”再行动，理解“评分最高”隐含的排序与筛选逻辑，无需用户逐步指导。\n- **端侧隐私保护**：作为端侧模型，所有屏幕分析与决策均在手机本地完成，彻底杜绝了敏感数据上传云端的隐患。\n- **极速流畅交互**：紧凑的动作空间设计将平均动作长度压缩至 9.7 token，确保在本地设备上也能毫秒级响应，操作如丝般顺滑。\n\nAgentCPM-GUI 通过将强大的推理能力植入端侧，让复杂的中文安卓应用操作变得像自然对话一样简单、安全且高效。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FOpenBMB_AgentCPM-GUI_2df7ec7b.png","OpenBMB","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FOpenBMB_02e4bd39.png","OpenBMB (Open Lab for Big Model Base) aims to build foundation models and systems towards AGI.",null,"openbmb@gmail.com","https:\u002F\u002Fwww.openbmb.cn","https:\u002F\u002Fgithub.com\u002FOpenBMB",[81,85],{"name":82,"color":83,"percentage":84},"Python","#3572A5",99,{"name":86,"color":87,"percentage":42},"Shell","#89e051",1351,129,"2026-04-16T08:35:53","Apache-2.0","Linux","必需 NVIDIA GPU，代码示例指定使用 cuda:0，模型为 8B 参数且使用 bfloat16 精度，建议显存 16GB+（若显存不足需添加 --max_model_len 参数限制）","未说明",{"notes":96,"python":97,"dependencies":98},"1. 推荐使用 conda 创建名为 gui_agent 的虚拟环境。2. 模型基于 MiniCPM-V 构建，参数量 8B，推理时需将图片长边缩放至 1120 像素以节省显存。3. 支持 Huggingface transformers 原生推理和 vLLM 加速推理两种方式。4. 需从 Hugging Face 手动下载模型文件并放置于 model\u002FAgentCPM-GUI 目录。5. 输出坐标为 0-1000 的相对坐标，需根据原图尺寸转换。","3.11",[99,100,101,102,103],"torch","transformers","Pillow","vllm","requests",[35,15,13,105],"其他","2026-03-27T02:49:30.150509","2026-04-17T10:19:25.143781",[109,114,119,124,129,134,138],{"id":110,"question_zh":111,"answer_zh":112,"source_url":113},37473,"在 Windows 或虚拟机上安装失败，是否提供 Docker 镜像？","目前项目仅在 Linux 环境下开发和测试，暂未提供 Docker 镜像，也不支持 Windows、WSL 或虚拟机环境（可能出现崩溃）。建议用户在 Linux 机器上运行。如果显存有限，无需安装 requirements 中所有训练用的包，仅安装 transformer 及 torch 相关包即可进行本地推理（需至少 24GB 显存）。欢迎社区提交 PR 补充 Windows 使用指南。","https:\u002F\u002Fgithub.com\u002FOpenBMB\u002FAgentCPM-GUI\u002Fissues\u002F26",{"id":115,"question_zh":116,"answer_zh":117,"source_url":118},37474,"Mac (M1\u002FM2\u002FM3\u002FM4) 用户安装 vllm 或 flash_attn 报错怎么办？","由于 vllm 和 flash_attn 等库在 Mac 平台支持不佳，建议将 requirements 中的 vllm 依赖注释掉，仅安装 torch 和 transformers 相关库。若需启动服务，可使用原生 vllm 命令（如果已单独安装兼容版本）：`vllm serve model\u002FAgentCPM-GUI --served-model-name AgentCPM-GUI --tensor_parallel_size 1 --trust-remote-code`。目前官方未在 Mac 上测试 vLLM，欢迎提交 PR。","https:\u002F\u002Fgithub.com\u002FOpenBMB\u002FAgentCPM-GUI\u002Fissues\u002F7",{"id":120,"question_zh":121,"answer_zh":122,"source_url":123},37475,"模型输出的 thought（思维链）与 POINT（点击坐标）不一致或坐标错误如何解决？","RFT 训练阶段未对 thought 进行强约束，可能导致思维与行动不完全对应，这是模型能力限制。解决建议：1. 确保推理时输入图片分辨率与训练保持一致（长边缩放至 1120），不要随意裁剪或改变比例；2. 尝试调整推理参数；3. 注意不同机型壁纸和图标形状会影响视觉定位。若坐标完全对不上，请检查是否使用了最新的 vllm 推理示例代码。","https:\u002F\u002Fgithub.com\u002FOpenBMB\u002FAgentCPM-GUI\u002Fissues\u002F6",{"id":125,"question_zh":126,"answer_zh":127,"source_url":128},37476,"微调数据集的坐标格式是怎样的？制作数据时需要将图片长边缩放至 1120 吗？","训练数据中的坐标采用的是相对坐标 [0, 1000]，与图片的具体分辨率是解耦的。因此在制作数据集计算坐标时，不需要强制将图片长边缩放至 1120，模型会自动处理映射关系。但在实际推理时，建议将输入图片按比例缩放至长边 1120 以匹配训练分布，获得最佳效果。","https:\u002F\u002Fgithub.com\u002FOpenBMB\u002FAgentCPM-GUI\u002Fissues\u002F36",{"id":130,"question_zh":131,"answer_zh":132,"source_url":133},37477,"SFT 和 RFT 微调的数据格式有什么区别？RFT 是单轮对话吗？","RFT（强化微调）阶段主要使用单轮对话数据进行训练，其数据格式与 SFT（监督微调）基本一致。数据结构通常包含 id、image 路径以及 conversations 列表，其中 assistant 的回答需遵循特定的 JSON Schema（包含 thought, POINT, to, duration 等字段）。对于多步任务，数据集通常按步骤拆解或在一个回合中给出当前步骤的正确操作。","https:\u002F\u002Fgithub.com\u002FOpenBMB\u002FAgentCPM-GUI\u002Fissues\u002F66",{"id":135,"question_zh":136,"answer_zh":137,"source_url":123},37478,"输出中包含 \"to\": \"right\" 或 \"to\": \"left\" 等字段代表什么操作？","这代表滑动手势操作。当输出中包含 `to` 字段且值为 \"up\", \"down\", \"left\", \"right\" 之一时，表示从当前 `POINT` 位置出发执行指定方向的滑动（swipe\u002Fscroll）。如果 `to` 的值是一个坐标位置，则表示移动到该特定位置。具体动作空间定义可参考项目 README 中的 Action Space 章节。",{"id":139,"question_zh":140,"answer_zh":141,"source_url":113},37479,"普通显卡可以运行该项目吗？最低显存要求是多少？","可以运行。虽然官方测试使用了 A100 等高配显卡，但普通 GPU 只要具备 24GB 显存即可满足本地推理需求。如果是仅进行推理而非训练，不需要安装 deepspeed、cpu_adam 等训练专用算子，只需安装 transformer 和 torch 相关基础包即可降低环境配置难度。",[]]