智客 ZICQ
EN 登录 / 注册
智客前沿 智能体 #Hugging Face #MintAct #视觉-语言模型 #强化学习 #多智能体

Hugging Face发布MintAct:统一视觉智能体模型,革新多环境交互

Mr.Xu 的头像

文 / Mr.Xu 智客前沿编译 · 审校

发布时间: · 4 次阅读

中文阅读 (Chinese) English Version
共读互动 选中正文任意句子即可高亮划线、写下你的技术批注,或一键生成金句引用卡。 直达讨论区 ↓

摘要:Hugging Face推出MintAct系列视觉-语言模型,旨在统一用户界面理解、多步骤导航(涵盖移动端、桌面端和网页)以及视觉工具使用。该模型在2B、4B和8B规模下训练,通过优化环境和训练方法,MintAct在多个基准测试中达到与领域专家相当的表现。其核心创新点包括可扩展的环境和强化学习(RL)基础设施,能够在数百个并发实例中高效收集轨迹数据并执行在线RL训练。实验结果表明,MintAct在OSWorld-Verified等基准测试中表现优异,显著推动了智能体在复杂数字环境中的交互能力。


核心突破

  • 统一视觉智能体模型:MintAct将用户界面理解、多步骤导航(涵盖移动端、桌面端和网页)以及视觉工具使用整合到一个模型中,简化了复杂任务的处理流程。
  • 多规模训练:模型在2B、4B和8B参数规模下训练,展现出在不同资源需求下的灵活性。
  • 可扩展的RL基础设施:通过支持数百个并发实例,MintAct能够高效收集轨迹数据并执行在线强化学习训练,确保模型在复杂环境中的适应性和稳定性。

技术亮点

  1. 环境与数据设计:MintAct的环境设计支持异构后端,能够处理来自不同领域的任务数据,为模型提供丰富的训练场景。
  2. 异步RL框架:采用异步框架控制跨域训练分布,提升训练效率,同时在嘈杂的环境反馈和离策略偏差下保持稳定。
  3. 性能表现:在OSWorld-Verified等基准测试中,MintAct达到48.9的得分,展示了其在多领域任务中的卓越性能。

行业影响

MintAct的发布标志着智能体在复杂数字环境交互中的重大进步。其统一模型架构和高效训练方法为开发者提供了强大的工具,能够加速智能体在移动应用、桌面软件和网页服务中的应用。此外,MintAct的RL基础设施为AI研究人员和工程师提供了新的思路,推动了强化学习在多智能体系统中的应用发展。

开发者建议

  • 探索多领域应用:开发者可以利用MintAct的统一模型架构,探索其在不同领域的应用潜力,例如智能助手、自动化工具和虚拟现实交互。
  • 优化训练流程:MintAct的异步RL框架和可扩展环境设计为开发者提供了优化训练流程的参考,可以尝试将其应用于其他AI模型的训练中。
  • 关注后续更新:Hugging Face可能会发布更多关于MintAct的更新和工具,建议开发者持续关注以获取最新信息和技术支持。

消息来源:Hugging Face Daily Papers (2026-09-18)

—— 完 ——

主题标签: #Hugging Face #MintAct #视觉-语言模型 #强化学习 #多智能体

编辑部与事实核查说明:本篇专刊由智客前沿资讯管线根据官方技术公告、学术论文及开源工程文档整理编译,经算法实体核验与人工编辑审校后发布。若发现技术事实纰漏,欢迎依据勘误方针或一键向编辑部发送勘误反馈。

读完这篇,你的第一判断是?
🚀 去【作品】晒出你的相关实践

社区整体评论区

正在加载实时智能评论与划词标注…