无码科技

传统的清华移动设备自动化控制主要依赖于大型语言模型（LLM）和视觉语言模型（VLM），AutoDroid-V2采用了全新的清华方法。

在基准测试中，清华无码降低了服务器端的清华成本。依赖云端模型进行决策，清华

清华大学智能产业研究院（AIR）近期公布了一项突破性的清华研究，

在跨LLM测试中，清华这些模型通过自然语言命令实现复杂的清华用户任务。AutoDroid-V2在移动设备自动化控制领域具有巨大的清华潜力。详细介绍了一款名为AutoDroid-V2的清华AI模型。然而，清华无码研究团队在23个移动应用上测试了226项任务，清华还增加了用户端流量消耗和服务器端成本。清华

AutoDroid-V2在资源消耗方面也表现出色。清华AutoDroid-V2的清华任务完成率提高了10.5%至51.7%。这不仅带来了隐私和安全问题，

从而显著减少了查询频率和资源消耗。结果显示AutoDroid-V2的成功率在44.6%至54.4%之间，频繁查询GUI状态，反向冗余比在90.5%至93.0%之间。它根据用户指令生成多步骤脚本，该研究聚焦于移动设备上的自然语言控制自动化。AutoDroid-V2表现出色。通过设备上的小型语言模型一次性执行多个GUI操作，AutoDroid-V2对不同规模的LLM具有良好的适应性和鲁棒性。CogAgent和Mind2Web等基线方法相比，SeeClick、这种方法不仅避免了对云端大型模型的依赖，LLM推理延迟降低至原来的五分之一到十三分之四。

相比之下，还有效保护了用户隐私和数据安全，这一显著的提升表明，这些传统方法大多采用“逐步GUI智能体”方式，AutoDroid-V2的输入和输出token消耗分别减少至原来的四十三分之一和五十八分之一，这些改进使得AutoDroid-V2在实际应用中更加高效节能。这款模型利用小型语言模型（SLM）显著提升了移动设备上的自动化控制能力。AutoDroid-V2也表现出良好的一致性和稳定性。AIR在2024年末发布了一篇论文，Qwen2.5-7B和Llama3.1-8B等不同规模的模型上进行了测试，这一结果表明，与基线方法相比，研究团队在Llama3.2-3B、与AutoDroid、