当前位置：首页 > article >正文

VLMs之Agent之CogAgent：CogAgent的简介、安装和使用方法、案例应用之详细攻略

article 2025/1/8 6:03:50

导读：在2024年末，智谱于11月29日正式提出了GLM-OS概念，并推出了两款Agent产品——AutoGLM和GLM-PC。为了促进大模型Agent生态的发展，智谱决定将GLM-PC的基础模型，即CogAgent-9B，进行开源，以便社区进一步开发和利用。

CogAgent-9B-20241220是基于GLM-4V-9B训练得到的专用Agent任务模型，它能够仅通过屏幕截图输入（无需HTML等文本表征），结合用户指定的任务和历史操作，预测下一步的GUI操作。这一模型由于屏幕截图和GUI操作的广泛适用性，可广泛应用于个人电脑、手机、车机设备等基于GUI交互的场景。

相较于2023年12月开源的第一版CogAgent模型，CogAgent-9B-20241220在GUI感知、推理预测准确性、动作空间完善性、任务普适性和泛化性等方面都有显著提升，并且支持中英文双语的屏幕截图和语言交互。

VLMs之Agent之CogAgent：《CogAgent: A Visual Language Model for GUI Agents》翻译与解读

VLMs之Agent之CogAgent：CogAgent-9b的简介、安装和使用方法、案例应用之详细攻略

CogAgent-9b的简介

0、更新

(1)、2023年12月，发布CogAgent

(2)、2024年12月，发布CogAgent-9b-20241220

1、CogAgent-9b-20241220 的特点

2、CogAgent-9b-20241220 的模型性能

2.1、基准测试

2.2、CogAgent 的局限性

3、CogAgent的模型能力

CogAgent-9b的安装和使用方法

1、环境配置

(1)、模型资源

2、模型运行

T1、本地推理 (命令行交互)

T2、在线Web演示 (持续图像上传交互式推理)

3、输入输出格式

(1)、用户输入部分

(2)、模型返回部分

4、使用示例

(1)、标记所有邮件为已读

5、微调模型

CogAgent-9b的案例应用

1、基础案例

(1)、自动发送圣诞祝福

(2)、辅助发送邮件

VLMs之Agent之CogAgent：《CogAgent: A Visual Language Model for GUI Agents》翻译与解读

VLMs之Agent之CogAgent：《CogAgent: A Visual Language Model for GUI Agents》翻译与解读-CSDN博客

VLMs之Agent之CogAgent：CogAgent-9b的简介、安装和使用方法、案例应用之详细攻略

VLMs之Agent之CogAgent：CogAgent的简介、安装和使用方法、案例应用之详细攻略-CSDN博客

CogAgent-9b的简介

CogAgent是一个开源的端到端基于视觉语言模型（VLM）的GUI智能体。它是一个改进自CogVLM的视觉语言模型，拥有110亿视觉参数和70亿语言参数，支持1120x1120分辨率的图像理解，并在GUI图像智能体能力上进行了进一步增强。

CogAgent-9b-20241220 模型基于 GLM-4V-9B 双语开源 VLM 基座模型构建。通过数据优化、多阶段训练和策略改进，它在 GUI 感知、推理预测准确性、动作空间完整性、任务普适性和泛化性方面都有显著提升，支持中英文双语的屏幕截图和语言交互。该模型已应用于智谱 AI 的 GLM-PC 产品。相较于之前的 CogAgent 版本，它在 GUI 感知、推理准确性、动作空间完整性、任务普适性和泛化性方面都有大幅提升。

GitHub地址：GitHub - THUDM/CogAgent: An open-sourced end-to-end VLM-based GUI Agent

技术报告：GLM-PC

0、更新

>> 2024.12 我们开源了最新版 CogAgent-9B-20241220 模型。相较于上一版本CogAgent，CogAgent-9B-20241220 在GUI感知、推理预测准确性、动作空间完善性、任务的普适和泛化性上得到了大幅提升，能够接受中英文双语的屏幕截图和语言交互。

>> 2024.6 CogAgent 被 CVPR2024 接收，并被评为大会 Highlight（前3%）。

>> 2023.12 我们开源了首个GUI Agent：CogAgent（该版本仓库位于这里），并发布了对应论文 �� CogAgent论文。

(1)、2023年12月，发布CogAgent

2023年12月，我们发布了CogAgent，第一个基于视觉语言模型（Visual Language Model, VLM）的开源 GUI agent 模型。 CogAgent仅依赖于屏幕截图作为输入（无需HTML等文本表征），可以根据用户指定的任意任务，结合过往的操作历史，预测下一步的GUI操作。由于屏幕截图和GUI操作的普适性，CogAgent可以被利用于任何基于GUI交互的场景，例如个人电脑、手机、车机设备等。CogAgent在 Mind2Web（电脑agent）、AITW（手机agent）取得了当时最佳的性能，也展现出了相比于自然语言模型 LLM agent 的巨大优势。在发布后一年的时间内，在学界和大模型社区中，越来越多的研究者和开发者们开始关注VLM-based GUI Agent。截至目前（2024.12.20），CogAgent 累计逾100万下载量，被超过200个工作引用。在一年后的今天，Claude 3.5 (Computer Use)、Gemini 2.0 - Project Mariner 等商业化模型也开始探索视觉 GUI agent，以发布或内测 API 的形式供公众使用。

(2)、2024年12月，发布CogAgent-9b-20241220

模型基座和结构升级	>> 使用GLM-4V-9B视觉语言模型作为基座模型，提升图像理解性能。
视觉处理模块优化	>> 实现高效统一的视觉处理模块，支持1120*1120高分辨率图像输入。 >> 采用带参数的下采样方法，提高模型效率，支持任意比例或大小的图像输入。 >> 建议用户在实际使用中适当增加图标和文字的相对大小。
数据集丰富与完善	>> 整合多种数据集，包括无监督数据和GUI指令微调数据集。 >> 利用CogAgent自我生成数据，扩充数据集。
预训练策略优化	>> 提出GUI Grounding预训练，构造GUI的REG和REC任务。 >> 使用40万网页数据构造1.4亿训练样本，扩充桌面应用和移动应用的layout数据。
后训练策略改进	>> 采用GUI instruction tuning和GUI agent SFT两个阶段的后训练策略。 >> 使用开源数据和私有收集数据，提升模型对GUI的理解和推理能力。
模型推理及思维链优化	>> 将思维链分解为Status、Plan、Action、Operation，并使用随机采样的方式混合训练数据。
动作空间完善	>> 明确基础动作空间，新增LLM、QUOTE_TEXT、LAUNCH等高级动作，增强模型工具使用和交互能力。

1、CogAgent-9b-20241220 的特点

>> 端到端 VLM-based GUI 智能体：CogAgent不是简单的视觉问答模型，而是一个完整的GUI智能体，能够理解用户指令，执行一系列操作，并根据GUI反馈调整策略。它将视觉理解和语言理解无缝集成，实现了端到端的GUI交互。

>> 基于强大基座模型：CogAgent-9b-20241220 基于 GLM-4V-9B 双语开源 VLM 基座模型，继承了其强大的语言理解和视觉理解能力。

>> 显著的性能提升：相较于之前的版本，CogAgent-9b-20241220 在 GUI 感知、推理准确性、动作空间完整性、任务普适性和泛化性方面都有显著提升。

>> 双语支持：支持中英文双语交互，能够理解和生成中英文指令和反馈，拓展了其应用范围。

>> 支持多种输出格式：提供多种输出格式选项，方便用户根据需求选择合适的输出内容，例如：action_operation, status_plan_action_operation, status_action_op_sensitive 等。用户可以根据实际需求选择不同的格式，以获取更全面的信息或更简洁的结果。

>> 严格的输入输出规范：为了保证模型的性能和稳定性，定义了严格的输入输出格式，用户需要按照规范构建输入提示，并解析模型的输出结果。这虽然增加了使用门槛，但也保证了模型的可靠性和可控性。

>> 支持连续执行历史：虽然不支持连续对话，但支持连续执行历史，允许用户在同一任务中多次调用模型，并将之前的操作结果作为上下文信息，指导后续操作。这对于完成复杂的多步 GUI 操作至关重要。

>> 开源开放：代码和模型权重均已开源，方便研究者和开发者进行学习、改进和应用。

2、CogAgent-9b-20241220 的模型性能

CogAgent-9b-20241220 在多个方面取得了 SOTA 或领先的结果，但没有提供具体的数值结果。需要参考其论文或其他技术报告获取更详细的性能数据。性能优势体现在：

>> GUI 定位 (Screenspot)：在 GUI 元素定位方面表现出色。

>> 单步操作 (OmniAct)：在执行单步 GUI 操作方面取得了领先的结果。

>> 多步操作 (OSWorld)：在执行多步 GUI 操作方面也表现优异，仅在某些特定场景下略逊于一些专门针对计算机使用的商业模型。

>> 中文 step-wise 内部评测榜单 (CogAgentBench-basic-cn)：在内部的中文分步操作基准测试中取得了领先地位。

2.1、基准测试

CogAgent-9b-20241220 模型在多平台、多类别的GUI Agent及GUI Grounding Benchmarks上取得了当前最优的结果。在 CogAgent-9b-20241220 技术博客中，我们对比了基于API的商业模型（GPT-4o-20240806、Claude-3.5-Sonnet）、商业API + GUI Grounding模型（GPT-4o + UGround、GPT-4o + OS-ATLAS）、开源GUI Agent模型（Qwen2-VL、ShowUI、SeeClick）。结果表明：
>> CogAgent在GUI定位（Screenspot）、单步操作（OmniAct）、中文step-wise内部评测榜单（CogAgentBench-basic-cn）、多步操作（OSWorld）都取得了领先的结果；

>> 仅在OSworld上略逊于针对Computer Use特化的Claude-3.5-Sonnet和结合外接 GUI Grounding Model 的GPT-4o。

2.2、CogAgent 的局限性

>> 对特定 GUI 的依赖：虽然具有跨任务泛化能力，但其性能可能仍然会受到特定 GUI 设计的影响。不同的 GUI 设计可能需要不同的策略和方法。

>> 输出坐标的精度：论文中提到输出坐标可能不够精确，这需要进一步改进。

>> 多图像处理能力：目前可能还不支持处理多张图像，这限制了其在某些复杂场景中的应用。

>> 对训练数据的依赖：模型的性能很大程度上依赖于其训练数据，训练数据的质量和数量直接影响模型的效果。

3、CogAgent的模型能力

>> GUI 感知：能够准确识别和定位GUI界面中的各种元素，例如按钮、文本框、图标、图片等，并理解其含义和功能。

>> 推理能力：能够根据用户指令和GUI界面信息进行推理，制定操作计划，并选择合适的动作序列来完成任务。

>> 动作执行：能够执行各种GUI操作，例如点击、输入文本、滚动页面等，并根据操作结果更新模型的状态。

>> 动作空间完整性：拥有丰富的动作空间，能够执行各种类型的GUI操作，覆盖了大多数常见的GUI交互方式。

>> 跨任务泛化能力：在多个GUI数据集上取得了最先进的性能，展现了其强大的跨任务泛化能力，能够适应不同的GUI界面和任务场景。

>> 对齐能力：通过多任务微调，模型能够更好地与自由形式的人类指令对齐，理解用户意图并生成更准确的操作指令。

>> 错误处理：虽然模型并非完美无缺，但其输出结果包含状态信息，方便用户理解模型的当前状态和操作过程，从而更好地进行错误处理。

CogAgent-9b的安装和使用方法

1、环境配置

需要Python 3.10.16或更高版本，并安装依赖项：pip install -r requirements.txt

>> 推理要求：至少需要29GB的VRAM进行BF16精度推理；不建议使用INT4精度，其VRAM使用约为8GB；INT8精度推理VRAM使用约为15GB。

>> 推理代码：在inference/cli_demo.py文件中，INT4和INT8推理的代码行已被注释，可根据需要取消注释使用。

>> 硬件支持：上述GPU指的是A100或H100，其他设备需根据实际情况计算所需的GPU/CPU内存。

>> 监督式微调（SFT）：冻结视觉编码器，批处理大小为1，使用8个A100 GPU进行训练，总输入令牌数（包括图像的1600个令牌）为2048个令牌，SFT微调至少需要每个GPU 60GB内存。

>> LoRA微调：不冻结视觉编码器，批处理大小为1，使用1个A100 GPU，总输入令牌数为2048个，LoRA微调至少需要单个GPU 70GB内存，且不能分割。

>> Ascend设备：未测试用于SFT微调，已在Atlas800训练服务器集群上测试，需根据Ascend设备下载链接中的加载机制修改推理代码。

>> vLLM框架：目前不支持使用vLLM框架进行推理，将尽快提交PR以启用。

>> 支持的平台：Windows, macOS, Android。

>> 在线演示的限制：在线演示不支持控制计算机，只能查看模型的推理结果。建议本地部署模型。

(1)、模型资源

Model	模型下载地址	技术文档	在线体验
cogagent-9b-20241220	🤗 HuggingFace 🤖 ModelScope 🟣 WiseModel 🧩 Modelers(昇腾)	📄 官方技术博客 📘 实操文档（中文）	🤗 HuggingFace Space 🤖 ModelScope Space 🧩 Modelers Space(昇腾)

2、模型运行

两种运行方式

T1、本地推理 (命令行交互)

使用transformers框架进行本地推理，命令如下：

python inference/cli_demo.py --model_dir THUDM/cogagent-9b-20241220 --platform "Mac" --max_length 4096 --top_k 1 --output_image_path ./results --format_key status_action_op_sensitive

需要提供图像路径作为输入。如果模型返回结果包含边界框，则会输出带有边界框的图像，指示操作区域。图像保存到output_image_path，文件名格式为 {your_input_image_name}_{round}.png。format_key指定返回格式，platform指定平台（Mac, WIN, Mobile）。

其中 --platform 指定平台 ("Mac", "WIN", "Mobile")，需要根据实际情况选择。 --format_key 指定输出格式，例如 status_action_op_sensitive (状态、动作、操作、敏感度)，还有其他几种可选格式，例如 action_operation (动作、操作)，status_plan_action_operation (状态、计划、动作、操作) 等。模型会将带有边界框 (bbox) 的结果图像保存到 output_image_path 目录。

T2、在线Web演示 (持续图像上传交互式推理)

python inference/web_demo.py --host 0.0.0.0 --port 7860 --model_dir THUDM/cogagent-9b-20241220 --format_key status_action_op_sensitive --platform "Mac" --output_dir ./results

此代码提供与HuggingFace Space在线演示相同的体验。模型将返回相应的边界框和执行类别。

3、输入输出格式

CogAgent不是对话模型，不支持连续对话，但支持连续执行历史（每次需要启动新的会话，并向模型提供过去的历史）。为了获得最佳GUI智能体性能，采用了严格的输入输出格式。其中CogAgent-9b-20241220 是 Agent 类执行模型，不支持连续对话，但支持连续执行历史。每次调用都需要重新开始会话，并将之前的历史记录提供给模型。输入需要包含以下几个部分：

用户输入

用户输入应包含任务描述 (task)，平台信息 (platform: Mac, WIN, Mobile)，输出格式 (format: Action-Operation-Sensitive, Status-Plan-Action-Operation 等多种格式)，以及历史操作记录 (history)。 app/client.py#L115 提供了构建用户输入提示的参考代码。

task: 用户任务描述 (简洁明了)。

platform: 操作系统平台 ("Mac", "WIN", "Mobile")。

format: 期望的输出格式 (多种选项，如上所述)。

history: 之前的操作历史记录 (格式参见文档)。

模型输出

输出格式取决于用户指定的 format。可能包含敏感操作标记 (<<敏感操作>>, <<一般操作>>)，计划 (Plan)，状态 (Status)，动作 (Action)，以及地面真实操作 (Grounded Operation)，后者包含边界框 (box)，元素类型 (element_type) 和元素信息 (element_info) 等细节。

详细描述了模型的输入输出格式，以及如何拼接提示词，方便用户更好地使用该模型。需要注意的是，模型的输入输出格式较为严格，需要仔细阅读文档并按照规范进行操作。

(1)、用户输入部分

可以参考 app/client.py#L115 拼接用户输入提示词。一个最简用户输入拼接代码如下所示：


current_platform = identify_os() # "Mac" or "WIN" or "Mobile"，注意大小写
platform_str = f"(Platform: {current_platform})\n"
format_str = "(Answer in Action-Operation-Sensitive format.)\n" # You can use other format to replace "Action-Operation-Sensitive"

history_str = "\nHistory steps: "
for index, (grounded_op_func, action) in enumerate(zip(history_grounded_op_funcs, history_actions)):
   history_str += f"\n{index}. {grounded_op_func}\t{action}" # start from 0. 

query = f"Task: {task}{history_str}\n{platform_str}{format_str}" # Be careful about the \n

拼接后的python字符串形如：

"Task: Search for doors, click doors on sale and filter by brands \"Mastercraft\".\nHistory steps: \n0. CLICK(box=[[352,102,786,139]], element_info='Search')\tLeft click on the search box located in the middle top of the screen next to the Menards logo.\n1. TYPE(box=[[352,102,786,139]], text='doors', element_info='Search')\tIn the search input box at the top, type 'doors'.\n2. CLICK(box=[[787,102,809,139]], element_info='SEARCH')\tLeft click on the magnifying glass icon next to the search bar to perform the search.\n3. SCROLL_DOWN(box=[[0,209,998,952]], step_count=5, element_info='[None]')\tScroll down the page to see the available doors.\n4. CLICK(box=[[280,708,710,809]], element_info='Doors on Sale')\tClick the \"Doors On Sale\" button in the middle of the page to view the doors that are currently on sale.\n(Platform: WIN)\n(Answer in Action-Operation format.)\n"

打印结果如下所示：

Task: Search for doors, click doors on sale and filter by brands "Mastercraft".

History steps:

CLICK(box=[[352,102,786,139]], element_info='Search') Left click on the search box located in the middle top of the screen next to the Menards logo.
TYPE(box=[[352,102,786,139]], text='doors', element_info='Search') In the search input box at the top, type ' doors'.
CLICK(box=[[787,102,809,139]], element_info='SEARCH') Left click on the magnifying glass icon next to the search bar to perform the search.
SCROLL_DOWN(box=[[0,209,998,952]], step_count=5, element_info='[None]') Scroll down the page to see the available doors.
CLICK(box=[[280,708,710,809]], element_info='Doors on Sale') Click the "Doors On Sale" button in the middle of the page to view the doors that are currently on sale.
(Platform: WIN)

(Answer in Action-Operation format.)

若您想仔细了解每个字段的含义和表示，请继续阅读或是参考实操文档（中文）的“提示词拼接”章节。

task 字段

用户输入的任务描述，类似文本格式的prompt，该输入可以指导cogagent-9b-20241220模型完成用户任务指令。请保证简洁明了。
platform 字段

cogagent-9b-20241220支持在多个平台上执行可操作Agent功能, 我们支持的带有图形界面的操作系统有三个系统，

如果您使用的是其他系统，效果可能不佳，但可以尝试使用 Mobile 字段用于手机设备，WIN 字段用于Windows设备，Mac 字段用于Mac设备。
- Windows 10，11，请使用 WIN 字段。
- Mac 14，15，请使用 Mac 字段。
- Android 13，14，15 以及其他GUI和UI操作方式几乎相同的安卓UI发行版，请使用 Mobile 字段。
format 字段

用户希望cogagent-9b-20241220返回何种格式的数据, 这里有以下几种选项:
- Answer in Action-Operation-Sensitive format.: 本仓库中demo默认使用的返回方式，返回模型的行为，对应的操作，以及对应的敏感程度。
- Answer in Status-Plan-Action-Operation format.: 返回模型的装题，行为，以及相应的操作。
- Answer in Status-Action-Operation-Sensitive format.: 返回模型的状态，行为，对应的操作，以及对应的敏感程度。
- Answer in Status-Action-Operation format.: 返回模型的状态，行为。
- Answer in Action-Operation format. 返回模型的行为，对应的操作。
history 字段

拼接顺序和结果应该如下所示：
```
query = f'{task}{history}{platform}{format}'
```
继续功能 CogAgent允许用户让模型继续回答。这需要用户在{task}后加入[Continue]\n字段。在这种情况下，拼接顺序和结果应该如下所示：
```
query = f'{task}[Continue]\n{history}{platform}{format}'
```

(2)、模型返回部分

敏感操作: 包括 <<敏感操作>> <<一般操作>> 几种类型，只有format字段中含Sensitive的时候返回。
Plan, Status, Action 字段: 用于描述模型的行为和操作。只有要求返回对应字段的时候返回，例如带有Action则返回 Action字段内容。
常规回答部分，这部分回答会在格式化回答之前，表示综述。
Grounded Operation 字段: 用于描述模型的具体操作，包括操作的位置，类型，以及具体的操作内容。其中 box 代表执行区域的坐标，element_type 代表执行的元素类型， element_info 代表执行的元素描述。这些信息被一个 操作指令 操作所包裹。具体的动作空间请参考这里。