长按二维码,关注官方公众号
小米 GUI Agent 的思考和实践 
在人工智能与移动终端深度融合的浪潮中，如何让智能体真正“看懂”界面、“自主”操作，已成为人机交互领域的关键挑战。小米 GUI Agent，作为基于视觉语言模型的图形界面智能体，通过端到端的感知与决策能力，实现了对手机、汽车等多场景的跨平台精准交互，无需依赖传统结构化数据，极大拓展了智能助理的应用边界。
在2025年10月的 SuperCLUE 测评中，小米 GUI Agent 以90.01分的优异成绩斩获金牌，在13款国内外竞品中位列第一，标志着手机交互正从语音助手时代迈入 GUI 智能体驱动的新阶段。
本次演讲将系统介绍我们在 GUI Agent 方面的技术思考、核心模型架构、强化学习优化策略，以及在手机与汽车座舱等场景中的规模化落地实践，并展望其未来的演进方向与应用前景。
演讲提纲：
1、GUI Agent 概述：从自动化工具到感知决策智能体
2、核心技术架构：视觉语言模型与强化学习的深度融合
3、系统能力评测与实际场景表现
4、落地实践：从手机到跨设备场景的规模化部署
5、未来展望：GUI Agent 的技术演进与生态构建
听众收益：
- GUI Agent 的基础认知
- GUI Agent 小米的前沿研究
- GUI Agent 小米的落地实践经验
北京大学心理与认知科学学院硕士行业导师，北邮101拔尖班企业导师，CCF YOSCEF总部学术委员，CCF大模型论坛执委，微软小冰初创成员。研究方向：人机对话、大语言模型和AI Agent。有超过10年的人机对话从业经历，主导和深度参与了微软小冰、小爱同学等业界具有影响力的人机对话产品的研发，主导了小米MiLM系列基座模型训练。曾获23年小米百万美金技术大奖，24年CCF计算机应用创新技术一等奖，24年数博会优秀科技成果奖等，在国际顶级学术会议和杂志发表论文30余篇。
