大小模型端云协同赋能人机交互

张圣宇｜浙江大学

2025年4月

马斯克的大胆预言：碳基生命（也就是我们人类）只是硅基生命的启动程序。随着科技的不断发展，尤其是AI领域取得的突破，以人工智能为主的硅基生命形态将会在未来成为地球上的主宰生物。

DeepSeek & ChatGPT

2007年1月9日，乔布斯发布第一代iPhone苹果手机，把iPod、电话、移动互联网设备等进行有机整合，推动了移动互联网进入了黄金发展年代。

今天大模型给人类社会诸多生产、生活模式带来一次大变革。2023年2月，英伟达创始人兼CEO黄仁勋提出随着ChatGPT为代表的大模型出现，我们已经进入“人工智能的iPhone时刻（iPhone moment of AI）”，这一观点受到美国《财富》杂志、华尔街时报等媒体的广泛认可并转载。

DeepSeek在模型算法和工程优化方面进行了系统级创新，在2048块英伟达H800 GPU（针对中国市场的低配版GPU）集群上完成训练，打破了大语言模型以大算力为核心的预期天花板，为在受限资源下探索通用人工智能开辟了新的道路。

GPT-4o

https://openai.com/index/hello-gpt-4o/

GPT-4o：By my eyes

移动端智能：生活的方方面面

手机、平板、智能手表

小设备功能不简单

小设备如何搭载大模型？

大小模型协同

发信息、看视频、听音乐、导航、游戏、购物

端侧计算能力越来越强

大小模型端云协同

l 端云协同（Device-Cloud Collaboration）：指边缘设备（如智能手机、IoT设备）模型和云侧服务器模型协同进化推断。

l 云侧大模型（Large Model）：通用认知计算，拥有强大的计算能力、海量的数据、充分的知识库。

l 终端小模型（Small Model）：实时感知、实时响应，运行轻量级任务，响应速度快。

大小模型端云协同

l 端云协同计算通过卸载部分学习任务至端侧，让端和云协同完成任务，从而发挥终端靠近用户和数据源的天然优势，降低服务延时至毫秒级，增强模型个性化精准推理能力，缓解云服务器中心负载压力，同时支持用户原始数据在设备本地处理

l 有效克服主流云学习范式在实时性、个性化、负载成本、隐私安全等方面的不足

前沿应用

自动驾驶 (Gan et al.)

3D渲染 (Lv et al.)

推荐系统 (Qian et al.)
Yulu Gan, Mingjie Pan, Rongyu Zhang, et al.: Cloud-Device Collaborative Adaptation to Continual Changing Environments in the Real-World. CVPR 2023: 12157-12166 Chengfei Lv, Chaoyue Niu, Renjie Gu, et al.: Walle: An End-to-End, General-Purpose, and Large-Scale Production System for Device-Cloud Collaborative Machine Learning. OSDI 2022: 249-265 Xufeng Qian, Yue Xu, Fuyu Lv, Shengyu Zhang, et al.: Intelligent Request Strategy Design in Recommender System. KDD 2022: 3772-3782

大小模型端云协同

大小模型协同 + 端云高效协同

大小模型协同基础算法研究

联合应用平台既有的特定业务小模型与云侧大模型，将端侧小模型轻量部署、快速响应、个性适配的优势，和云侧大模型认知推理、多模态理解、通用泛化的优势进行互补

大小模型协同基础算法研究

基于生成的协同：One（大模型） to All （小模型）生成

• 大模型驱动的小模型生成框架ModelGPT

• ModelGPT + 用户对模型的需求描述 + 少量数据 =(推理生成) 开箱即用小模型。在 All-in-One 的通用大模型范式之外，初步探索One-to-All 的可能性，为更广泛的小数据、小算力（边端）、离线应用场景提供AI落地支撑。

• 在NLP，CV，和Tabular Data典型数据集上进行验证，性能超越Finetune方法。

Algorithm1Pseudo-code of ParameterGeneratorP(;0p)
Require:A={（D={Xi，Yi}，ri）}1
Ensure:0p=（0e,0m，0g）satisfiesEquation(5)
i←1
for-=Ototepochdo
for（Di,ri）inAdo
forbatch in Ddo
ObtainθtwithEquations(1） to(3)
Use batch to compute the loss and update 0t
Compute thedifference△0tof0t
Use△0t to compute the gradients of 0p
Update0p
end for
endfor
Save best checkpoint according to Equation (5)
endfor

Zihao Tang, Zheqi Lv, Shengyu Zhang, Fei Wu, Kun Kuang: ModelGPT: Unleashing LLM's Capabilities for Tailored Model Generation. CoRR abs/2402.12408 (2024)

基于生成的协同：One（大模型） to All （小模型）生成• 大模型驱动的小模型生成框架ModelGPT

• 在NLP，CV，和Tabular Data典型数据集上进行验证，性能超越Finetune方法。

• 给定用户的需求ModelGPT能够以至多先前范式（例如全参数微调、LORA微调）270倍速度快速生成定制好的人工智能模型。

Results on GLUE Benchmark (Distil-BERT)
Methods	CoLA	SST-2	MRPC	STS-B	QQP	MNLI-m	MNLI-mm	QNLI	RTE	WNLI	DM	Score	#Epoch	E2E Runtime
LoRA	48.3	910	84.9/80.3	81.2/80.0	68.9/87.3	80.5	33.1	88.1	52.8	65.1	0.0	71.5	20	216.1
Finetune	45.5	91.3	86.6/80.8	82.1/80.9	69.2/87.8	81.8	80.8	87.6	56.9	63.7	35.6	74.4	20	273.8
ModelGPT ModelGPT-F	39.5 36.9	88.9 90.8	85.3/78.4 85.5/79.4	80.9/80.3 81.3/80.5	63.3/83.5 67.0/86.6	77.8	78.0	84.6 85.8	69.5 70.0	64.4 62.3	28.0	73.4	0	1.0
						77.8	781				29.9	73.8	1	3.1

Methods	Iris	Heart Disease	Wine	Adult	Breast Cancer	Car Evaluation	Wine Quality	Dry Bean	Rice	Bank Marketing		Average	#Epoch	E2E Runtime
LoRA	93.3	63.0	67.3	54.7	95.9	713	55.0	88.9	92.5	89.8		77.2	20	46.2
Finetune	88.9	54.3	89.1	55.2	96.5	710	553	90.6	93.1	89.9		78.4	20	39.5
ModelGPT	100.0	60.9	94.5	54.7	95.3	71.5	54.1	85.0	92.5	89.8		79.8	0	1.0
ModelGPT-F	100.0	62.0	94.5	55.1	95.9	713	55.4	88.8	92.9	90.0		80.6	1	2.3
Results on Office-31(ResNet-50)
Domain Amazon										Webcam (ModelGPT is Zero-Shot)					E2E
Methods	Acc@3 Acc			DSLR Acc@3			Average Acc@3 Acc@5			Acc@3			#Epoch
LoRA		77.7	Acc@5	Acc		Acc@5 Acc			Acc 72.5		Acc@5		#Epoch
Finetune	66.4	79.2	848 83.7	78.4	92.2 980	96.1 1000	72.4 85.0	90.5		87.5	93.8		400 400	231.8 257.6
ModelGPT	67.5 66.4	79.9	83.7	843		75.9 79.3	88.6 90.0	91.9 91.9	90.0 76.2	100.0 87.5	100.0 91.2		0	1.0
ModelGPT-F	67.8	81.3	85.9	92.2 92.2	100.0 100.0	100.0 100.0	80.0 90.7	92.8	775	90.0	91.3		i	1.2

跨越异构模型、任务、模态的统一模型知识迁移框架

研究背景

现有知识迁移方法（例如，知识蒸馏，迁移学习）要求端云具有相似的任务类型或模型架构，难以应用于跨异构模型、任务和模态的异构知识迁移场景。

挑战

模型知识统一表示

知识蒸馏利用Logits和Feature Map表示知识，依赖于任务类型。
迁移学习通常通过共享参数实现知识迁移，依赖于模型架构。异构模块（线性层 <-> 注意力机制模块）之间知识不兼容。
不同规模模型之间知识不兼容。

异构模型知识适配

（c）MergeNet

创跨越异构模型、任务、模态的统一模型知识迁移框架

研究问题

研究基于端云协同的跨异构模型架构、任务和模态的异构知识迁移框架。

异构模型知识表示：以参数为载体，重新编码端云模型参数，实现对异构知识的统一表示

异构知识适配：设立参数适配器，促进异构参数空间的交互，提取并对齐有效的信息，实现高效知识迁移

异构模型知识表示

异构知识适配

Li K, Zhan T, Fu K, Zhang S, et al. MergeNet: Knowledge Migration across Heterogeneous Models, Tasks, and Modalities. AAAI 2025

跨越异构模型、任务、模态的统一模型知识迁移框架

应用验证

克服了传统知识迁移需要具有相似任务类型或模型架构的限制

模型结构差异性限制任务类型匹配要求异构知识表示不兼容

统一异构知识表示知识交互融合

异构知识迁移

有效应用于各种具有挑战性的场景，及传统知识迁移方法不适用的场景

跨架构知识迁移

Methods	Top-1 Acc(%)	Top-5 Acc(%)
VanillaMobileNetV2 KD(Hinton et al.,2015) RKD(Park etal.,2019) DKD(Zhao et al.,2022) NKD(Yang et al.,2023) MergeNet(R→M) MergeNet(RM)	63.87 64.32 65.48 65.23 65.09 66.23 66.51	88.77 88.62 88.9 89.01 88.9 89.66 89.75
VanillaResNet50 KD(Hinton et al.,2015) RKD(Park et al.,2019) DKD(Zhao et al.,2022) NKD(Yang et al.,2023) MergeNet(RM)	68.11 68.36 68.6 69.03 69.27 69.84	89.61 89.9 90.21 90.25 90.18 90.57

跨模态知识迁移

Methods	VQA			ITR
Methods	overall	other	number	TR	IR
Vanilla	45.78	31.33	28.71	41.48	37.64
MergeNet(V→T)	46.33	33.29	31.33	44.72	39
MergeNet(T→V)	45.96	31.99	31.15	44.58	38.93
MergeNet	46.51	33.84	31.54	44.78	39.26

跨任务知识迁移

Methods	SQuADv2.0 EM↑	F1↑	IMDb Err
Vanilla	70.17	73.06	8.02
MergeNet	71.89	75.43	7.5

Methods	CIFAR-100 Top-1Acc Top-5Acc		SQuAD v2.0
Methods	CIFAR-100 Top-1Acc Top-5Acc	EM	F1
Vanilla	63.87	88.77	70.17 73.06
MergeNet	65.56	88.74	70.89 74.15

大小模型端云协同

大小模型协同 + 端云高效协同

2万/秒峰值10万/秒

云智能的局限

云

大模型离线训练

大模型在线推理

数据上云

结果分发

数据采集

响应决策
手机淘宝
1秒\~1分钟

亿人一模

推理响应延时高难以实时响应推理

难以算力负载协同
难以情境动态适应

移动端智能的局限

算力限制

带宽限制

电量限制

内存限制

高通：生成式端云混合智能

l 混合AI指终端和云端协同工作，在适当的场景和时间下分配AI计算的工作负载，以提供更好的体验，并高效利用资源。在一些场景下，计算将主要以终端为中心，在必要时向云端分流任务。而在以云为中心的场景下，终端将根据自身能力，在可能的情况下从云端分担一些AI工作负载。

端云协同智能

-- 高通《终端侧AI 和混合AI 开启生成式AI 的未来》

端云协同智能

-- 高通《终端侧AI 和混合AI 开启生成式AI 的未来》

端云异构模型知识互迁与协同推断

面向未知端侧分布的压缩-适应联合

研究背景

l 大模型向端侧迁移部署往往采用知识蒸馏等压缩手段，传统知识整理方法假设大模型训练数据分布（压缩前）和小模型测试数据分布（压缩后）服从独立同分布假设（IID Hypothesis）。

l 实际应用中，源域数据和应用场景存在分布偏移，导致压缩性能显著下降。

理论分析

独立同分布假设（IID Hypothesis）：源域? 和目标域? （应用场景）独立同分布。在此情况下进行知识蒸馏，源域的知识可以很好地指导模型完成目标域的任务。

数据蒸馏的目标：

l 多数场景下，源域分布和应用场景存在分布偏移（?? ≠ ??），违反独立同分布假设。

情况1：? ≈ ? ，对应无数据蒸馏方法（ ? 由生成器拟合），蒸馏出的目标模型并不适用? 。

情况2：? ≈ ? ，源模型给出的知识不一定有效。

ResNet-50在不同设定下受分布偏移前后的性能比较

利用端侧反事实表征学习实现端向云去偏汇聚

数据分布异质性导致的“局部观察到的趋势在全局数据中消失或反转”的辛普森悖论，使得云侧汇聚模型

研究背景

无法准确反映整体数据分布，给端向云去偏汇聚带来了巨大挑战

分布异质

Global data distribution

Local data distribution

l 端云分布异质：云侧全局数据分布体现平台整体共性与端侧特化分布存在偏移

l 端云有偏汇聚：有偏数据导致端侧偏见，相似偏见端侧模型导致云侧有偏汇聚

White ‘cat’ Black ‘dog’

因子混杂

l 虚假相关：端侧数据局部且有限，存在虚假的因子-标签关联，忽视真实因果关系

l 因子耦合：因子之间存在复杂的相互依赖关系，难以有效解耦出独立的因果关系

新利用端侧反事实表征学习实现端向云去偏汇聚

研究问题

利用端侧反事实表征学习解决云侧模型联邦汇聚中“辛普森悖论”难题。

反事实表征学习：利用全局平均数据信息在端侧生成反事实样本，实现端侧模型去偏训练

因子去相关模块：基于相关性分析设计因子去相关模块对因子解耦，提高反事实样本的质量

反事实表征学习

因子去相关模块

缓解辛普森悖论

利用端侧反事实表征学习实现端向云去偏汇聚

实验验证

当前端云协同存在的问题

数据高度异质性云端分布差异大云侧模型收敛慢

反事实样本生成因子去相关约束混杂因子解耦合

端侧反事实表征学习

端-云模型协同

突破了端云协同计算在分布偏移、数据异质场景中模型汇聚效率局限

相比于主流联邦学习的最佳方法，云侧模型精度最高可提升7.75%云侧模型去偏汇聚的同时收敛速度提升2倍

	Method	Dir60(0.2)	Dir6o(0.6)	IID60	Dir100(0.2)	Dir100(0.6)	IID100
CITRAPOO	FedAvg FedProx	40.70±0.24 40.39±0.23	42.85±0.26 42.51±0.34	44.37±0.40	38.17±0.32	40.19±0.26 39.90±0.42	42.19±0.52
				44.21±0.64	38.27±0.46		42.24±0.98
	SCAFFOLD	29.36±0.39	33.30±0.48	37.96±0.26	23.25±0.54	29.98±0.19	32.77±0.25
	FedPRV	38.35±1.11	42.91±0.49	45.91±0.05	30.65±0.74	36.58±0.14	39.96±0.30
	q-FedAvg	40.34±0.60	42.61±0.63	44.43±0.28	38.15±0.48	40.20±0.10	42.04±0.65
	FedMix FedCFA	42.51±0.28 46.96±1.04	44.16±0.26 49.32±0.20	45.65±0.31 48.31±0.53	39.78±0.07 46.71±0.59	41.43±0.84 49.18±0.75	43.63±0.64 47.86±1.22

	FedAvg	65.88±0.32	73.95±0.16	75.43±0.51	62.87±0.12	70.99±0.70	72.82±0.35
	FedProx	72.23±0.44	77.68±0.03	76.93±0.28	70.36±0.75	75.47±0.53	73.36±0.47
	SCAFFOLD	33.05±5.57	54.58±3.95	75.96±0.57	34.69±2.16	56.17±1.91	71.84±0.77
CTRAIIO	FedPRV	59.42±2.26	71.52±0.21	77.42±0.04	55.43±1.74	67.11±0.76	76.16±0.37
	q-FedAvg	71.71±1.05	77.96±0.19	76.92±0.09	70.04±1.55	75.47±0.52	73.68±0.33
	FedMix	74.61±0.74	78.64±0.53	77.90±0.17	73.91±0.79	77.11±0.31	73.93±0.06
	FedCFA	75.89±1.00	82.43±0.08	83.36±0.51	75.76±0.15	81.73±0.12	81.68±0.89

Method	Tiny-ImageNet		FEMNIST Non-IID	Sent140
Method	Dir60(0.2)	Dir60(0.6)	FEMNIST Non-IID	Sent140
FedAvg FedProx q-FedAvg FedMix FedCFA	27.39±0.13	30.90±0.29	81.31±0.94	Non-IID 68.10±0.48
	27.34±0.05	30.78±0.16	81.63±0.08	68.10±0.44
	26.89±0.07	30.70±0.13	81.90±0.58	68.04±0.71
	28.01±0.19 30.70±0.68	32.43±0.13 32.86±0.77	82.31±0.21 83.19±0.54	67.97±0.39 69.26±0.37

Method Target	Dir60(0.2) 75.5	IID60 78.4	Dir100(0.2) 73.6	IID100
FedAvg	(>,66.22)	(>,74.99)	(>,62.95)	75.6 (>,72.42)
FedProx SCAFFOLD q-FedAvg FedMix FedCFA	(>,74.03) (>,32.77) (>,72.23) (610,75.69) (375,75.58)	(>,77.16) (693,78.46) （>,77.04) (>,77.79) (453,78.41)	(>,72.37) (>,38.34) (>,72.03) (>,72.25) (427,73.61) (408,75.67)	(>,73.46) (800,75.68) (>,73.56) (>,74.00)

基于端云协同的高效端模型参数定制

研究背景

现有端侧部署方案采用云侧大规模预训练，通过模型压缩后传输至端侧进行部署。然而多阶段训练、稠密信息传输给端侧动态复杂环境下的高响应、低成本自适应带来了巨大挑战

分布异质性

l 端云分布异质：云侧全局数据分布体现平台整体共性与端侧特化分布存在偏移

l 端侧分布迁移：端侧用户兴趣意图动态偏移，需要由云向端及时下发适配模型

资源异质性

l 端侧计算资源有限：大量长尾用户移动设备算力有限，难以支撑本地训练微调

l 端云通信资源有限：频繁下发稠密适配模型消耗大量通信带宽资源，降低响应

Fu K, Zhang S, Lv Z, et al. DIET: Customized Slimming for Incompatible Networks in Sequential Recommendation. KDD 2024 Research Track

新基于端云协同的高效端模型参数定制

研究问题

研究基于端云协同的低通信开销、高响应速度端模型定制算法。

高效模型表示构建：基于神经网络彩票假说，将云向端训练压缩过程转化为传输适配子网二进制掩膜

高效适配子网搜索：云侧学习建立实时数据到端侧个性子网掩膜的映射，仅需前向推理即可高效响应

彩票假说理论

端云子网搜索

模型效率提升

基于端云协同的高效端模型参数定制

应用验证

当前推荐系统存在的问题

通信开销大

云端分布差异大

端侧兴趣变化快

设备计算资源有限

瘦身子网模型压缩端侧实时兴趣提取适配子网生成传输

端侧个性子网搜索

共性-个性协同大-小模型协同

突破了端云协同计算在分布偏移、资源受限设备上训练推理效率局限

降低模型由云向端下发的传输开销至原始大小的3%端侧模型能力提升的同时推理速度提升5倍

Model	Method	Dataset
		Amazon-CD				MovieLens-100k
		NDCG↑		Hit↑	Params	FLOPs↓	NDCG↑	Hit↑	Params	FLOPs1
SASRec	Base DIET	0.0386	0.0529	13107	0.2086	0.0517	0.1077	1.3107	0.2086
		0.0425	0.0590	0.0410	0.1154	0.0635	0.1319	0.0410	0.0416
	Improv.↑	10.96%	11.53%	×31.97	×1.81	22.82%	22.47%	×31.97	×5.01
Caser	Base	0.0310	0.0424	0.4922	0.0586	0.0569	0.0719	0.4922	0.0586
	DIET	0.0356	0.0488	0.0154	0.0294	0.0617	0.0771
	Improv.↑							0.0154	0.0488
		14.84%	15.09%	X31.96	× 1.99	10.42%	7.32%	X31.96	×1.76

大小模型端云协同

大小模型协同 + 端云高效协同

赋能与应用

人工智能 = 人工 + “智” + “能”

人工 ren gong

词典解释

①人为；人做的。与"自然”、“天然"相对：人工降雨丨人工取火|根须茁壮，枝叶繁茂，岂是人工做得出来的。

人机交互 “智”：理解使用者

短视频APP、购物APP

行为数据：观看视频、停留时长、互动（点赞、评论、分享）
机器学习算法：根据历史行为预测喜好
不是真正的“理解”，而是数据驱动的预测

兴趣变化：AI能否快速适应？不能理解情感和临时兴趣变化如何提高灵活性和适应性？

为什么需要移动端智能推荐？

大模型离线训练

大模型在线推理

数据上云

结果分发

数据采集

响应决策
难以情境动态适应

推理响应延时高难以实时响应推理
1秒\~1分钟
亿人一模

请求负载压力大难以算力负载协同
手机淘宝
2万/秒峰值10万/秒

为什么需要移动端智能推荐？

Ø端侧内容生成通过部署轻量化小模型至端侧，发挥出终端设备靠近用户和数据源天然优势，降低智能服务延时至毫秒级，实现本地私有化响应决策。

大模型离线训练

大模型在线推理

数据采集

数据上云

业务响应延时高秒 \~ 分钟级

端

结果分发

大模型轻量压缩

端国产

开放服务风险高数据网络传输

小模型实时推理

数据采集

响应决策

端云大-小模型协同推断算法

l动态变化的端环境导致资源有限情况下云模型的延迟响应，导致端侧服务与端侧环境的不匹配，损害用户的服务体验

手机淘宝商品推荐系统

用户点击率在云模型响应后陡升

Xufeng Qian, Yue Xu, Fuyu Lv, Shengyu Zhang*, Ziwen Jiang, Qingwen Liu, Xiaoyi Zeng, Tat-Seng Chua, Fei Wu. Intelligent Request Strategy Design in Recommender System, KDD 2022

端云大-小模型协同推断算法

端设备部署小模型实时检测端环境变化（用户兴趣意图变化）

• 通过因果潜在结果模型预估请求大模型响应价值

• 动态规划对云侧大模型的请求,最大化资源有限时的线上收益。

Xufeng Qian, Yue Xu, Fuyu Lv, Shengyu Zhang*, Ziwen Jiang, Qingwen Liu, Xiaoyi Zeng, Tat-Seng Chua, Fei Wu. Intelligent Request Strategy Design in Recommender System, KDD 2022

端云大-小模型协同推断算法

当前推荐系统存在的问题

通信开销大
隐私破坏风险
隐时反馈噪声多
无法实时感知用户

因果结构学习机制因果潜在结构框架不确定性预估方法

因果+端云协同

共性-个性协同大-小模型协同隐私-效率协同

直接经济效益(购买率)

PR in N	NoQ	RandQ	PoolQ	StaticQ	AIQuery
10	0.889	1.174	1.177	1.130	2.289
20	1.660	2.197	2.164	2.045	4.173

平台经济效益(商品交易总值)

新云上大语言模型和端上小推荐模型的端云协同推荐

研究问题

研究基于端云协同的低通信开销、高响应速度端模型定制算法。

协同训练：将云上大模型和端上小模型针对各自任务场景做针对性协作训练，提升场景适应性

协同推理：将云上大模型和端上小模型的输出结果融合，集成强泛化能力和强实时性的优势

智能请求：对云上大模型和端上小模型的输出结果做不一致性检测，不一致性高的样本重新调用大模型

协同训练

大小协同训练，使小模型能针对大模型的候选列表有更强的排序能力

协同推理与请求

模型效率提升

Dataset	ModelNDCG@5 NDCG@10NDCG@20
Beauty	DIN(RT)GRU4Rec(RT)SASRec(RT)P5(RT)	0.00790.00810.00660.0227	0.01060.01050.00960.0257	0.01350.01290.01270.0289
	DIN(NRT)GRU4Rec(NRT)SASRec(NRT)P5(NRT)Ours (P5+SASRec)Improve	0.00170.00170.00140.00870.00948.41%	0.00260.00230.00210.0108	0.00420.00310.00320.0136
			0.012616.16%	0.015413.45%
Toys	DIN(RT)GRU4Rec(RT)SASRec(RT)P5(RT)	0.00460.00500.00520.0187	0.00630.00730.00730.0204	0.00810.00980.01010.0221
	DIN(NRT)GRU4Rec(NRT)SASRec(NRT)P5(NRT)	0.00070.00090.0015	0.00100.0015	0.00170.0020
			0.0020	0.0026
		0.0066	0.0078	0.0090
	Ours (P5+SASRec)Improve	0.00660.46%	0.0084	0.00966.76%
			7.33%

大幅补偿LLM无法获取实时数据下的推荐性能

人机交互 “能”：像人一样行动

语音助手

语音助手 – 技术路线

端智能体

需求：旅行规划

分析：预算、天气、饮食

规划：第一天、第二天。。。

决策：使用订票软件

行动1：打开订票APP、点击、输入、查询。。。

行动2：打开住宿APP、点击、输入、查询。。。

基于多模态大模型的操作系统智能体综述

l OS Agents 是一种基于（多模态）大语言模型 ((M)LLMs) 的智能代理，通过操作操作系统 (OS) 提供的环境和界面（如图形用户界面 GUI），利用计算设备（如电脑和手机）来自动执行任务。

基础模型：总结LLM/MLLM based OS Agents的模型结构与训练方法（Pretrain、SFT、RL)。

智能体框架：细分为感知、规划、记忆和行动。

评估与基准：详细分析现有的评估协议、评估准则、评估指标；
总结现存基准涉及平台、环境以及任务。

l 安全：从攻击层面、防御层面和评估基准展开归纳。

面向智能交互的端侧多模态大模型 – InfiGUIAgent 3B方

研究问题当前基于 MLLM 的图形用户界面（GUI）智能体在复杂任务中缺乏多步推理能力

#

Native Reasoning: 为智能体轨迹数据构建多步骤、层次化推理过程用于模型训练，让智能体能够自然地进行推理

Reflection: 智能体每次行动前，对先前的行动进行反思，判断期望是否达成并进行调整，以提升多步决策的一致性

Stage1: Fundamental Abilities

Model & Datasets: https://github.com/Reallm-Labs/InfiGUIAgent

AEIA-MN：针对OS Agent感知层面的环境注入攻击研究究思

研究问题 OS Agent在感知层面易受环境注入攻击的影响，从而干扰PRM信号的生成过程。

#

从不同类型的对抗攻击角度出发（提示注入、对抗样本），研究 OS Agent 在感知层面所面临的环境注入攻击。

对 OS Agent 的使用场景分类，识别与设备特征相关的攻击方式，进而针对性地影响 Agent 的决策过程。

基于自反思训练和推理的轻量级大模型能力涌现决方

研究问题

通过预算友好型数据合成增强多模态大模型级联自评估能力

#

D 采用较小的MLLM使用思维链推理和自我评估合成自我评估数据集

采用自评估训练增强方法，生成多轮自评估训练对话，保持思维链推理能力的同时增强多轮自评估能力路

自我评估

自我评估增强训练

评估效果

保留原有思维链推理能力，大幅提升自评估能力

实验结果

Method	MathVista
Method	Averige	eMulti-chniceFree-Torm		Text	Inieger		General VQA Math-targeted VQA
Base(inference)	0.2850	0.4407	0.1022	0.4407	0.1124	0.3391		0.2389
Base(evaluation)	0.3530	0.5407	0.1326	0.5407	0.1459	0.4348		0.2833
Finetune(inference)	0.3160	0.4481	0.1609	0.4481	0.1770	0.3196		0.3130
Finetune (evaluation)	0,3490	0.4926	0.1804	0.4926	0.1986	0.3543		0.3444
CoT(inference）	0.3380	0.4815	0.1696	0.4815	0.1866	0.3326		0.3426
CoT (evaluation)	0.3760	0.5352	0.1891	0.5352	0.2081	0.3957		0.3593
SEAT(inference)	012760	0.4278	0.0978	0.4278	0.1077	0.2957		0.2593
SEAT(evaluation)	0.2850	0.4389	0.1043	0.4389	0.1148	0.3196		0.2556
Cas-SEAT(inference)	0.3390	0.4889	0.1630	0.4889	0.1794	0.3652		0.3167
Cas-SEAT (evaluation)	0.4500	0.6222	0.2478	0.6222	0.2727	0.4848
Improve	19.68%	15.07%	31.04%		15.07%31.04%	11.50%		0.4204 17.01%

Method
Method	AlI	Levelt	Level2	Level3	Level4	Level5	ALG ARI	CG	COM
Bse(mference)	0.0526	0.0800	0.0690	0.0364	0,0444	0.0299 0,0000	0.0000	0.2941	0,0526
Bse（evaluation）	0.0757	0.1400	0.0690	0.0364	0.0444	0.0896	0.0000 0.0000	0.3529	0.1053
Finetune(inference)	0.1743	0.2075	0.1951	0.0893	0.1778	0,1912	0.1053 0.0000	0.2632	0.0000
Finetune (evaluation)	0.1776	0.2075	0.1951	0.0893	0.1778	0.2059	0.1053 0.0000	0.2632	0.0000
CoT(inference)	0.1414	0.1509	0.1098	0.0714	0.2222	0.1765	0.0526 0.0000	0.3684	0.0526
CoT(evaluation）	0.1447	0.1509	0.1098	0.0714	0.222	0.1912	0.1053	0.0000 0.3684	0.0526
SEAT(inference)	0.0592	0.1132	0.0488	0.0357	0.0000	0.0882	0.0000	0.0526 0,1579	0.0000
SEAT (evaluation)	0.0888	0.1509	0.0732	0.0714	0,0000	0.1324	0.0000	0.0526 0.1579	0,0526
Cas-SEAT(imference)	0.1711	0.1321	0.1341	0.2321	0.1778	0.1912	0.1579	0.1579 0.2632	0,1579
Cas-SEAT (evaltration)	0.2763	0.2642	0.2439	0.2500	0.3111	0.3235	0.3158	0L.1579 0.4211	0.2105
Improve	55.57号27.33%		25.01%		179.96%40.01%57.12%		199.91%200.19%		14.31%99.91%

2025大小模型端云协同赋能人机交互报告

常见问题