编辑评分 100/100
网站简介
基于自主VLM解决开放式Android任务的强化学习智能代理 DigiRL是针对开放式现实世界Android任务开发的智能代理方案，依托自主价值评估模型完成任务处理。区别于依赖优质标注数据集的同类方案，它可复用现有非最优离线数据集，通过离线转在线强化学习驱动代理从试错中积累经验，借助两级价值函数优化任务优先级与动作选择。
核心功能
自主价值评估模型
依托自主VLM模型，适配开放式现实世界Android任务的处理需求
离线数据集复用
可直接利用现有非最优离线数据集，无需额外标注优质训练数据
离线转在线强化学习
驱动智能代理从自身试错过程中学习，不断优化任务处理能力
自动课程构建
通过指令级价值函数隐式构建自动课程，优先处理高价值训练任务
有利动作筛选
依托步进级价值函数，从轨迹中筛选对目标有贡献的有效动作
使用指南
- 1
首先访问DigiRL官方网站https://digirl-agent.github.io
- 2
获取项目的最新文档与开源资源。按照官网提供的文档搭建运行依赖
- 3
导入对应训练数据集后
- 4
可基于现有模型进行二次开发或任务测试
- 5
研究人员可调整价值函数参数验证代理表现。
优势亮点
支持复用非最优离线数据集
两级价值函数优化任务与动作
支持离线到在线自主试错学习
可自动构建适配代理成长的训练课程
编辑推荐
DigiRL针对Android开放式现实任务的痛点，提出基于两级价值函数的强化学习方案，打破了同类方案对优质标注离线数据集的依赖，能够让智能代理自主从试错中学习，在自动课程构建和动作筛选上的设计具备创新性，为移动设备智能控制领域的研究提供了新的可行思路。
常见问题
深度了解
DigiRL是专注于解决开放式现实世界Android任务的智能代理项目，依托自主价值评估模型（VLM）实现任务处理，核心采用离线到在线的强化学习框架，解决了传统方案对优质标注数据集依赖度高的问题。该项目支持复用现有非最优离线数据集完成模型训练，通过指令级价值函数隐式构建自动课程，能够自动为代理优先分配对成长最有价值的训练任务，同时借助步进级价值函数从任务轨迹中筛选出对达成目标有正向贡献的有利动作，进一步优化代理的决策能力。不同于传统固定任务的Android控制方案，DigiRL适配开放式的现实场景需求，支持代理自主从尝试和错误中积累经验，不断优化自身任务处理能力，为人工智能领域研究Android设备智能控制、强化学习落地提供了可行的方案。
使用须知
定价: 以官网定价为准
价格和授权政策可能变化，请以官网最新信息为准
资料由中文导航编辑部整理并经健康检测核验，定期复查更新。
本页信息核对于 2026/10/10，收录信息以收录当日官网状态为准，如发现内容过期请通过下方反馈告知。
访问第三方网站时，请注意以下事项:
- 谨慎提供个人账号、密码和支付信息
- 下载文件前确认来源安全，警惕诱导性广告
- 涉及版权素材使用时，请核实授权范围
- 如遇网站无法访问或内容异常，可反馈给我们
帮助我们维护准确的收录数据，纠错会进入编辑复核队列
用过DigiRL？说说你的真实体验
你的点评会帮助更多人选型避坑——匿名发表，无需注册，30 秒即可完成
用户评价
还没有评分
成为第一个评价 DigiRL 的人
我的评分
随下方评论一并提交
热度数据
按站内点击统计0
站内总点击
#-
同类排名 / 7344 站
1
同类点击中位数