当前位置：服务支持 > 软件文章 > 支付宝开源UI-UG大模型既能看懂UI又能生成UI讨论

支付宝开源UI-UG大模型既能看懂UI又能生成UI讨论

阅读数 2

引言

在移动互联网时代，用户界面（UI）作为连接用户与数字世界的桥梁，其重要性不言而喻。每一次应用程序的启动与页面的加载，本质上都是一次 UI 的呈现过程，其设计质量不仅直接影响用户体验，更与业务转化效果紧密相连。

近年来，学术界和产业界也开始关注 UI 领域的专用模型，例如苹果的 Ferret UI、微软的 OmniParser，以及论文中提出的 Web2Code、DCGen 等方法。然而，这些研究大多聚焦于单一任务：要么侧重于理解 UI，要么侧重于生成 UI。

支付宝体验技术部正式发布并开源首个将 UI 理解与 UI 生成两大核心能力统一起来的 UI 领域垂类多模态大模型 UI-UG（A Unified MLLM for UI Understanding and Generation），这一创新不仅填补了行业空白，更在理解和生成场景中均展现出卓越性能。

UI-UG-7B 模型现已正式开源：

HuggingFace：https://huggingface.co/neovateai/UI-UG-7B
Github：https://github.com/neovateai/UI-UG
论文：https://arxiv.org/abs/2509.24361

模型介绍：UI 智能新范式

UI 理解与生成：天生一对的孪生任务

为什么选择将理解与生成结合？UI-UG 的核心思想是：这两项任务并非孤立存在，而是相辅相成、信息共享的共同体。

在 UI 生成过程中，模型需要深刻理解参考图片的布局、色彩、文字内容和元素类别；而在 UI 理解任务中，对 UI 高层次结构信息的认知，恰恰又受益于生成任务所训练出的结构化思维。后续的实验数据也印证了这一观点：将理解与生成混合训练，效果显著优于各自单独训练。

UI-UG 四大核心能力

UI-UG 大模型具备全面覆盖 UI 核心场景的四大能力：指代（Referring）、检测（Grounding）、描述（Captioning）、生成（Generation）。

指代（Referring）：精准描述图片指定区域内容，包括识别 UI 元素类型（如按钮、图标、弹窗）、提取 OCR 文字、识别颜色值等。例如，可准确回答“描述一下这个区域的 UI 类型”。

检测（Grounding）：全面检测图片中所有 UI 元素，或定位特定类型元素。同时也能识别基础组件（文本、图片、icon 等）及交互元素（关闭按钮、返回按钮等），为自动化操作提供基础。

描述（Captioning）：结构化描述整张 UI 图片内容，输出遵循特定格式规范，为后续分析和生成提供信息基础。

生成（Generation）：基于文本描述和参考图片，生成特定 UI DSL 代码。支持动态数据绑定与渐进式渲染，可生成带 Mock 字段的灵活模板。在支付宝内部实测中，卡片级 UI 生成速度最快可达 5 秒，效率提升显著。

技术突破：数据、训练与优化的三重创新

UI-UG 的整个工作流主要数据准备和两阶段的训练（监督微调 SFT 和强化学习 RL），在数据、训练和优化多阶段有了创新。

数据构建：贴合真实场景的多元数据集

面对 UI 分辨率提升和设计复杂度增加带来的挑战，UI-UG 放弃了过时的开源数据集，基于海量业务场景构建全新数据：

数据包括超 30,000 张 UI 页面，涵盖多业务领域，并通过视觉 Embedding 模型编码去重确保多样性。扩展 UI 类型定义，新增弹窗、复选框等高频组件，特别强化对交互元素的标注。采用 CV 模型预标注 + 人工校验模式，高效构建高质量 UI 元素数据集。

针对 UI 生成任务，UI-UG 创新设计了一条数据构造流水线：将页面裁剪为卡片级组件，用能力强的通用多模态模型（如 Qwen2.5-VL-72B）生成组件描述，模拟用户需求并生成 UI。UI 生成任务采用了 UI DSL（而非端到端代码）方案，兼顾多端适配能力与流式渲染优势。在数据集准备过程中，通过文本擦除和风格混合技术，增强模型风格迁移能力。

两阶段训练：从基础学习到精准优化

监督微调（SFT）阶段：基于 Qwen2.5-VL-7B 模型，冻结 ViT 模块，专注训练 LLM 和视觉-语言适配器。使用 18 万条 VQA 数据，在 8 块 A100 GPU 上训练 3 轮。

强化学习阶段：针对 SFT 阶段的不足进行专项提升：

指代任务：采用 GRPO 方法，聚焦 8 类难样本组件（如可选文本按钮、关闭按钮），优化分类准确率和格式遵循性。
定位任务：采用 GRPO 方法，创新使用双 IoU 奖励机制，同步优化召回率与精确率。
生成任务：采用 DPO 方法，基于四大维度（视觉结构、色彩美学、文本一致性、交互性）构建 8000 组对比偏好数据进行偏好学习，显著提升生成质量。

最终模型依次经过 DPO（生成）、GRPO（指代）、GRPO（定位）优化，完成强化学习训练。

实验验证：超越通用模型，领跑垂直领域

在实验的部分，我们从 UI 理解和 UI 生成两个任务出发，与其他模型做了对比。对比的模型包括通用多模态大模型（包括 GPT-4o、Claude 3.7 Sonnet、Gemini 2.5 Pro 等闭源模型，以及 Qwen2.5-VL 系列的开源模型）和一些知名的 UI领域专用模型（苹果的 Ferret-UI2 和微软的 OmniParser V2）。同时我们也对我们自己的模型进行了消融实验对比，包括不同的数据准备、SFT 的优化策略，以及使用强化学习前后的表现差异等。