智谱最新开源的CogAgent-9B-20241220模型在GUI感知、推理预测、动作空间和任务泛化性方面均有显著提升，支持中英文双语的屏幕截图和语言交互。该模型为Agent类执行模型，而非对话模型，不支持连续对话，但保留执行历史。为确保最佳GUI Agent性能，模型采用了严格的输入输出格式。用户需按照指定格式输入，并获得模型规则的回复。该模型可用于发送邮件、发送圣诞祝福等任务，展现了其强大的自动化能力。

🚀 CogAgent-9B-20241220模型在GUI感知、推理预测、动作空间和任务泛化性上相较上一版本有大幅提升，性能显著增强。

🗣️ 该模型支持中英文双语的屏幕截图和语言交互，能够更好地理解用户指令，方便用户操作。

🤖 CogAgent-9B-20241220是一个Agent类执行模型，专注于任务执行，而非连续对话，每次使用需重开对话session，并保留执行历史。

⚙️ 为了达到最佳的GUI Agent性能，模型采用了严格的输入输出格式，用户需按照指定格式与模型交互。

2024-12-27 17:59 湖北

智谱开源了最新版 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。

想提个Issue,让 CogAgent帮你发邮件

CogAgent 祝你圣诞快乐，让大模型自动为你的朋友们送上圣诞祝福吧。

cogagent-9b-20241220是一个Agent类执行模型而非对话模型，不支持连续对话，但支持连续的执行历史（也即，每次需要重开对话session，并将过往的历史给模型）。CogAgent的工作流如下图所示：

为了达到最佳的 GUI Agent 性能，采用了严格的输入输出格式。这里展示了用户应该怎么整理自己的输入格式化的传入给模型。并获得模型规则的回复。

https://github.com/THUDM/CogAgent

推荐阅读

• 对齐LLM偏好的直接偏好优化方法：DPO、IPO、KTO

• 2024：ToB、Agent、多模态

• RAG全景图：从RAG启蒙到高级RAG之36技，再到终章Agentic RAG！

• Agent到多模态Agent再到多模态Multi-Agents系统的发展与案例讲解（1.2万字，20+文献，27张图）

---

欢迎关注我的公众号“PaperAgent”，每天一篇大模型（LLM）文章来锻炼我们的思维，简单的例子，不简单的方法，提升自己。

跳转微信打开