这个厉害了，一家名为 Standard Intelligence 的初创公司推出了 FDM-1。

这，是首个完全通用的计算机操作模型。

它通过创新的高压缩比视频编码，与自动数据标注技术，直接从千万小时级的屏幕录像中进行端到端学习。

结果能够以 30 FPS 的速度，自主完成诸如 CAD 建模，软件测试。

甚至在自动驾驶测试中，该模型经过不到 1 小时的数据微调后，就能利用 Web 界面在旧金山的街区完成转弯导航。

注意，是直接看录像，而不是看截图。

补充下背景信息，你就明白这事儿有多离谱了。

现在构建计算机操作智能体，主流方案是在人工标注好的屏幕截图上，微调 VLM 视觉语言模型。(人工标注不仅成本高，目前的数据集规模体量也不够。)

然后，构建强化学习环境去学习特定的下游任务。

但是，这样训练出来的智能体，无法处理超过几秒钟的上下文，也无法处理高帧率视频，执行长程任务，更别提能扩展成通用的智能体。

#HOW I AI##科技先锋官# http://t.cn/AXc5oxub