在这里插入图片描述

在 AI 技术飞速渗透各行各业的当下，我们早已告别 “谈 AI 色变” 的观望阶段，迈入 “用 AI 提效” 的实战时代 💡。无论是代码编写时的智能辅助 💻、数据处理中的自动化流程 📊，还是行业场景里的精准解决方案 ，AI 正以润物细无声的方式，重构着我们的工作逻辑与行业生态 🌱。曾几何时，我们需要花费数小时查阅文档 📚、反复调试代码 ⚙️，或是在海量数据中手动筛选关键信息 ，而如今，一个智能工具 🧰、一次模型调用 ⚡，就能将这些繁琐工作的效率提升数倍 📈。正是在这样的变革中，AI 相关技术与工具逐渐走进我们的工作场景，成为破解效率瓶颈、推动创新的关键力量 。今天，我想结合自身实战经验，带你深入探索 AI 技术如何打破传统工作壁垒 🧱，让 AI 真正从 “概念” 变为 “实用工具” ，为你的工作与行业发展注入新动能 ✨。

文章目录

AI - 移动端测试效率翻番：AI 工具自动模拟 100 种用户操作，发现 2 个兼容性 bug 📱✨

2025 年初，我们团队正在为即将上线的金融类 App 做最后冲刺。产品功能已基本稳定，但 QA 团队却陷入“移动端兼容性测试泥潭”——覆盖 30+ 款主流安卓/iOS 设备，每轮回归需 3 天，仍漏掉关键兼容性问题。

更糟的是，就在上线前一周，用户反馈在 华为 Mate 50 上点击“确认支付”按钮无响应，而我们在 Pixel 6、iPhone 14 等主力机型上从未复现。紧急排查发现，是某个第三方 SDK 在特定 GPU 驱动下渲染异常，导致按钮“视觉可见但无法点击”。

这次事故让我们意识到：传统手动 + 脚本化测试，已无法应对碎片化的移动生态。于是，我决定引入 AI 驱动的智能测试方案。

经过 6 周的探索与实践，我们构建了一套基于 AI 的移动端自动化测试框架。它能自动模拟 100+ 种真实用户操作路径（如滑动、双击、长按、手势缩放），在 2 小时内完成原本需 3 天的兼容性测试，并成功发现 2 个隐藏极深的兼容性 bug（一个在三星 Galaxy S22 上的 WebView 渲染错位，另一个在 iOS 17.4 上的权限弹窗阻塞）。

本文将完整复盘这次转型：从痛点分析、AI 工具选型、框架搭建，到具体代码实现、bug 复现过程、效率对比数据，以及可复用的落地步骤。无论你是移动端测试工程师、开发，还是质量负责人，相信都能从中获得实用价值。让我们一起告别“设备矩阵地狱”，拥抱智能移动测试新时代！🚀

1. 移动端兼容性测试的“三座大山” ⛰️

在引入 AI 前，我们的移动端测试流程如下：

  1. 设备准备：维护 15 台真机（覆盖华为、小米、OPPO、iPhone 等）+ BrowserStack 云测平台；
  2. 用例执行：基于 Appium 编写脚本，覆盖核心路径（登录、转账、查询）；
  3. 人工探索：QA 在不同机型上手动操作，尝试边缘场景；
  4. 问题上报：截图、录屏、日志打包，提交 Jira。

但问题显而易见：

山 1：设备碎片化 → 覆盖不全

  • 安卓：芯片（高通/联发科/麒麟）、OS 版本（10~14）、厂商定制（EMUI/MIUI/ColorOS）组合爆炸；
  • iOS：虽生态统一，但新旧机型（iPhone 8 ~ iPhone 15 Pro Max）+ iOS 版本（16.x ~ 17.x）仍有差异；
  • 现实：我们仅覆盖 Top 20 机型，但用户分布在 Top 100+。

山 2：用户行为复杂 → 脚本僵化

传统 Appium 脚本只能模拟预设路径：

# 传统脚本示例
driver.find_element(By.ID, "login_btn").click()
driver.find_element(By.ID, "amount_input").send_keys("100")
driver.find_element(By.ID, "confirm_btn").click()

但真实用户会：

  • 快速连续点击
  • 滑动时突然返回
  • 在弱网下操作
  • 横竖屏切换
  • 这些“非理性”行为，脚本无法覆盖。

山 3：兼容性 bug 隐蔽 → 难以复现

如开头提到的“按钮不可点”问题：

  • 仅在特定 GPU + 特定分辨率 + 特定系统版本下出现；
  • 需要特定操作序列触发（如先打开相机再返回）；
  • 人工测试几乎不可能主动发现。

这“三座大山”导致我们：测试慢、覆盖窄、漏测多。必须改变！

2. AI 如何破解移动端测试困局？三大核心思路 🤖

我们没有盲目采购“AI 测试平台”，而是聚焦问题本质，设计三大 AI 能力：

2.1 智能操作生成（Intelligent Action Generation）

目标：模拟真实用户行为，而非预设脚本。
方案：使用强化学习（RL）或大模型（LLM）生成多样化操作序列。

例如：AI 自动探索“在转账页面快速双击金额输入框 + 横竖屏切换 + 返回再进入”，这种人类想不到的路径。

2.2 设备感知测试（Device-Aware Testing）

目标：针对不同设备特性定制测试策略。
方案：构建设备知识图谱，关联芯片、OS、分辨率等属性，动态调整测试重点。

例如：对华为机型，重点测试 HMS Core 相关功能；对低端机，增加内存压力测试。

2.3 视觉异常检测（Visual Anomaly Detection）

目标：自动识别 UI 渲染问题（错位、重叠、空白）。
方案：结合计算机视觉（CV） + 对比学习，检测 UI 与基线差异。

例如：在三星 S22 上，发现“确认按钮”比设计稿偏移 10px。

这三大能力，构成了我们新框架的“AI 引擎”。接下来，一步步搭建它。

3. 技术选型：务实、开源、可落地 🛠️

我们坚持“最小可行 AI”（MVAI）原则，避免过度依赖商业工具。最终技术栈：

组件 技术选型 理由
核心语言 Python 3.10+ 移动测试生态成熟
自动化框架 Appium + WebDriverAgent 跨平台、社区活跃
AI 操作生成 LangChain + Llama 3 开源 LLM，可本地部署
视觉检测 OpenCV + Siamese Network 轻量级，无需 GPU
设备管理 Firebase Test Lab + 自建真机池 云+端结合
报告系统 Allure + Grafana 专业可视化

🔗 推荐工具链接（均可访问）：

4. 第一步：搭建基础移动端自动化框架 🏗️

在引入 AI 前，必须有一个稳定的 Appium 基础。

4.1 环境准备

# 安装 Appium
npm install -g appium

# 安装 Python 客户端
pip install Appium-Python-Client

# 启动 Appium Server
appium

4.2 基础测试脚本

# tests/base_test.py
from appium import webdriver
from appium.options.android import UiAutomator2Options
from appium.options.ios import XCUITestOptions

class MobileBaseTest:
    def setup_driver(self, platform: str = "android"):
        if platform == "android":
            options = UiAutomator2Options()
            options.platform_name = "Android"
            options.device_name = "Pixel_6"
            options.app_package = "com.example.finance"
            options.app_activity = ".MainActivity"
            options.auto_grant_permissions = True
        else:
            options = XCUITestOptions()
            options.platform_name = "iOS"
            options.device_name = "iPhone 14"
            options.bundle_id = "com.example.finance"
            options.auto_accept_alerts = True

        self.driver = webdriver.Remote("http://localhost:4723", options=options)
        return self.driver

    def teardown_driver(self):
        if hasattr(self, 'driver'):
            self.driver.quit()

4.3 传统用例示例

# tests/test_transfer.py
def test_transfer_success():
    driver = MobileBaseTest().setup_driver()
    try:
        # 登录
        driver.find_element("id", "username").send_keys("testuser")
        driver.find_element("id", "password").send_keys("123456")
        driver.find_element("id", "login_btn").click()
        
        # 转账
        driver.find_element("id", "transfer_tab").click()
        driver.find_element("id", "amount_input").send_keys("100")
        driver.find_element("id", "confirm_btn").click()
        
        assert driver.find_element("id", "success_msg").is_displayed()
    finally:
        MobileBaseTest().teardown_driver()

此时，我们已有一个可运行的基础框架。但问题依旧：只能覆盖预设路径。

5. 第二步：集成 AI 操作生成器（模拟 100+ 用户行为） 🎮

这是提升覆盖率的核心。我们让 AI 自动生成操作序列。

5.1 操作空间定义

首先，定义 App 支持的操作类型：

# utils/action_space.py
ACTIONS = {
    "tap": {"element_id": str},
    "double_tap": {"element_id": str},
    "swipe": {"direction": ["up", "down", "left", "right"]},
    "long_press": {"element_id": str, "duration": int},
    "rotate": {"orientation": ["portrait", "landscape"]},
    "go_back": {},
    "input_text": {"element_id": str, "text": str}
}

5.2 LLM 驱动生成器

使用 Llama 3 生成合理操作序列：

# utils/ai_action_generator.py
from langchain.prompts import ChatPromptTemplate
from langchain_community.llms import LlamaCpp
import random

class AIActionGenerator:
    def __init__(self, model_path: str):
        self.llm = LlamaCpp(
            model_path=model_path,
            n_ctx=2048,
            temperature=0.7  # 增加多样性
        )
        self.prompt = ChatPromptTemplate.from_template(
            """
            You are a mobile app tester. 
            Generate a sequence of {num_actions} user actions for the following screen:

            Screen Elements (id: description):
            {elements}

            Available Actions:
            {actions}

            Rules:
            - Actions must be realistic (e.g., don't input text in a button)
            - Include edge cases (fast taps, rotations, back navigation)
            - Return ONLY a JSON list of actions, no explanation.

            Example Output:
            [{{"action": "tap", "element_id": "login_btn"}}, {{"action": "rotate", "orientation": "landscape"}}]

            Actions:
            """
        )

    def generate_actions(self, elements: dict, num_actions: int = 5) -> list:
        chain = self.prompt | self.llm
        response = chain.invoke({
            "elements": str(elements),
            "actions": str(ACTIONS),
            "num_actions": num_actions
        })
        try:
            return json.loads(response.strip())
        except:
            # 备用：随机生成
            return self._random_actions(elements, num_actions)

    def _random_actions(self, elements: dict, num_actions: int) -> list:
        actions = []
        element_ids = list(elements.keys())
        for _ in range(num_actions):
            action_type = random.choice(list(ACTIONS.keys()))
            if action_type in ["tap", "double_tap", "long_press", "input_text"]:
                if element_ids:
                    elem_id = random.choice(element_ids)
                    if action_type == "input_text":
                        actions.append({"action": action_type, "element_id": elem_id, "text": "test123"})
                    else:
                        actions.append({"action": action_type, "element_id": elem_id})
            else:
                actions.append({"action": action_type})
        return actions

5.3 动态元素识别

AI 需要知道当前页面有哪些元素。我们通过 Appium 获取：

# utils/page_analyzer.py
def get_page_elements(driver) -> dict:
    """获取当前页面所有可交互元素"""
    elements = {}
    # 获取所有按钮、输入框等
    for elem in driver.find_elements("class name", "android.widget.Button") + \
                driver.find_elements("class name", "XCUIElementTypeButton"):
        elem_id = elem.get_attribute("resource-id") or elem.get_attribute("name")
        if elem_id:
            elements[elem_id] = "button"
    
    for elem in driver.find_elements("class name", "android.widget.EditText") + \
                driver.find_elements("class name", "XCUIElementTypeTextField"):
        elem_id = elem.get_attribute("resource-id") or elem.get_attribute("name")
        if elem_id:
            elements[elem_id] = "input"
    
    return elements

5.4 AI 驱动的探索测试

# tests/ai_exploration_test.py
def test_ai_exploration():
    driver = MobileBaseTest().setup_driver()
    generator = AIActionGenerator("models/llama-3-8b.Q4_K_M.gguf")
    
    try:
        # 初始登录
        perform_login(driver)
        
        # 探索 10 轮，每轮 8 个动作
        for round in range(10):
            elements = get_page_elements(driver)
            actions = generator.generate_actions(elements, num_actions=8)
            
            for action in actions:
                execute_action(driver, action)
                
    finally:
        MobileBaseTest().teardown_driver()

def execute_action(driver, action: dict):
    """执行单个操作"""
    try:
        if action["action"] == "tap":
            driver.find_element("id", action["element_id"]).click()
        elif action["action"] == "swipe":
            # 简化：固定 swipe
            driver.swipe(500, 1000, 500, 500, 500)
        elif action["action"] == "rotate":
            if action["orientation"] == "landscape":
                driver.orientation = "LANDSCAPE"
            else:
                driver.orientation = "PORTRAIT"
        # ... 其他操作
    except Exception as e:
        print(f"Action failed: {action}, error: {str(e)}")
        # 记录失败，但不中断探索

✅ 效果：单次运行可模拟 80+ 种操作组合，覆盖大量边缘场景。

6. 第三步：设备感知测试（针对不同机型定制策略） 📱

AI 生成的操作需结合设备特性调整。

6.1 设备知识图谱

我们构建一个设备特征数据库：

// config/device_profiles.json
{
  "Samsung_Galaxy_S22": {
    "os": "Android 13",
    "chipset": "Snapdragon 8 Gen 1",
    "screen_density": "576dpi",
    "known_issues": ["webview_rendering"]
  },
  "Huawei_Mate_50": {
    "os": "HarmonyOS 3.0",
    "chipset": "Kirin 9000S",
    "screen_density": "456dpi",
    "known_issues": ["hms_core_crash"]
  },
  "iPhone_14": {
    "os": "iOS 17.4",
    "chipset": "A15 Bionic",
    "screen_density": "460ppi",
    "known_issues": ["permission_alert_block"]
  }
}

6.2 动态测试策略

根据设备特征，调整 AI 行为：

# utils/device_aware_tester.py
def get_device_strategy(device_name: str) -> dict:
    with open("config/device_profiles.json") as f:
        profiles = json.load(f)
    return profiles.get(device_name, {})

def adjust_ai_actions(actions: list, device_strategy: dict) -> list:
    """根据设备策略调整操作"""
    adjusted = []
    for action in actions:
        # 示例：对华为设备，避免 HMS Core 相关操作
        if "hms_core_crash" in device_strategy.get("known_issues", []) and \
           "hms" in action.get("element_id", ""):
            continue  # 跳过
        
        # 示例：对高分辨率设备，增加视觉检测
        if device_strategy.get("screen_density", 0) > 500:
            action["enable_visual_check"] = True
            
        adjusted.append(action)
    return adjusted

6.3 集成到测试流程

# tests/device_aware_test.py
def test_on_device(device_name: str):
    driver = setup_driver_for_device(device_name)  # 根据设备启动
    strategy = get_device_strategy(device_name)
    
    for round in range(10):
        elements = get_page_elements(driver)
        actions = generator.generate_actions(elements, 8)
        actions = adjust_ai_actions(actions, strategy)  # 关键！
        
        for action in actions:
            execute_action(driver, action)
            # 如果启用视觉检测，立即检查
            if action.get("enable_visual_check"):
                check_visual_anomaly(driver, device_name)

📌 优势：针对性测试，避免无效操作，提升 bug 发现效率。

7. 第四步：视觉异常检测（自动发现 UI 兼容性问题） 👁️

这是发现“渲染错位”类 bug 的关键。

7.1 基线截图采集

在“黄金机型”（如 Pixel 6）上采集标准 UI：

# utils/baseline_collector.py
def capture_baseline(driver, screen_name: str):
    driver.save_screenshot(f"baselines/{screen_name}.png")

7.2 视觉对比模型

使用 OpenCV 计算图像差异：

# utils/visual_anomaly_detector.py
import cv2
import numpy as np

class VisualAnomalyDetector:
    def __init__(self, threshold: float = 0.1):
        self.threshold = threshold

    def detect(self, current_img_path: str, baseline_img_path: str) -> bool:
        """检测当前截图是否异常"""
        img1 = cv2.imread(baseline_img_path)
        img2 = cv2.imread(current_img_path)
        
        if img1 is None or img2 is None:
            return True  # 缺少基线，视为异常
            
        # 调整大小一致
        img2 = cv2.resize(img2, (img1.shape[1], img1.shape[0]))
        
        # 计算结构相似性 (SSIM)
        gray1 = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY)
        gray2 = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY)
        score, _ = cv2.quality.QualitySSIM_compute(gray1, gray2)
        
        # SSIM 越接近 1 越相似
        return score[0] < (1 - self.threshold)

7.3 集成到测试

def check_visual_anomaly(driver, device_name: str):
    screen_name = get_current_screen_name(driver)  # 通过 activity 或 title 判断
    current_path = f"screenshots/{device_name}_{screen_name}.png"
    baseline_path = f"baselines/{screen_name}.png"
    
    driver.save_screenshot(current_path)
    
    detector = VisualAnomalyDetector(threshold=0.15)
    if detector.detect(current_path, baseline_path):
        # 发现异常！保存证据
        allure.attach.file(current_path, name=f"Visual Anomaly on {device_name}", 
                          attachment_type=allure.attachment_type.PNG)
        raise AssertionError(f"Visual anomaly detected on {device_name}")

8. 惊喜发现：2 个隐藏兼容性 bug 的复现过程 🐞

Bug 1：三星 Galaxy S22 上的 WebView 渲染错位

现象：转账页面的“确认按钮”在 S22 上向右偏移 15px，导致部分区域无法点击。

发现过程：

  1. AI 在 S22 上执行探索测试；
  2. 视觉检测器比对基线（Pixel 6 截图），发现 SSIM 仅为 0.82（阈值 0.85）；
  3. 自动截图并上报；
  4. 开发确认：S22 的 WebView 内核对 CSS transform 解析有差异。

修复：改用绝对定位替代 transform。

Bug 2：iOS 17.4 上的权限弹窗阻塞

现象：首次打开 App 时，iOS 17.4 的定位权限弹窗会阻塞 UI 线程，导致后续操作无响应。

发现过程：

  1. AI 在 iPhone 14 (iOS 17.4) 上执行“登录后立即转账”；
  2. 操作卡在转账页面，超时失败；
  3. 日志分析发现：权限弹窗未处理；
  4. 对比 iOS 16.x，确认是 17.4 新行为。

修复：增加权限弹窗自动处理逻辑。

💡 关键点：这两个 bug 仅在特定设备+特定操作序列下触发，传统测试几乎不可能发现。

9. 效率对比：从 3 天到 2 小时 📉

我们对比了新旧流程的关键指标：

指标 旧流程 新流程 提升
设备覆盖数 15 台 30+ 台（云+真机） 100% ↑
操作路径数 20 条预设 100+ 条 AI 生成 400% ↑
总执行时间 72 小时 2 小时 97% ↓
兼容性 bug 发现数 0.5/轮 2/轮 300% ↑
人力投入 3 人天 0.5 人天 83% ↓ 
barChart
    title 移动端测试关键指标对比
    x-axis 指标
    y-axis 数值
    series "旧流程"
        "时间(小时)" : 72
        "设备数" : 15
        "Bug数" : 0.5
    series "新流程"
        "时间(小时)" : 2
        "设备数" : 30
        "Bug数" : 2

📌 ROI：框架搭建耗时 6 周，但每轮测试节省 2.5 人天，2 个月回本。

10. 框架搭建完整步骤（手把手教程） 📝

想复现我们的成果？按以下步骤操作：

步骤 1：初始化项目

mkdir ai-mobile-test && cd ai-mobile-test
python -m venv venv
source venv/bin/activate
pip install Appium-Python-Client opencv-python langchain-community llama-cpp-python

步骤 2：部署 Llama 3 模型

  • 从 Hugging Face 下载 llama-3-8b.Q4_K_M.gguf
  • 放入 models/ 目录

步骤 3：编写基础 Appium 脚本

  • 实现 MobileBaseTest 类
  • 验证在单台设备上运行

步骤 4：集成 AI 操作生成器

  • 实现 AIActionGenerator
  • 测试生成合理操作序列

步骤 5：构建设备知识图谱

  • 创建 device_profiles.json
  • 为你的目标设备添加特征

步骤 6：实现视觉异常检测

  • 采集基线截图
  • 集成 OpenCV 对比逻辑

步骤 7：配置云测平台

# utils/cloud_test_runner.py
from firebase_admin import test_lab

def run_on_firebase(device_model: str, os_version: str):
    """在 Firebase Test Lab 上运行测试"""
    test_matrix = test_lab.TestMatrix(
        client=firestore.client(),
        project_id="your-project-id",
        test_specification={
            "test": {
                "app_apk": "path/to/app.apk",
                "test_apk": "path/to/test.apk"
            },
            "environment_matrix": {
                "android_device": {
                    "android_model_id": device_model,
                    "android_version_id": os_version
                }
            }
        }
    )
    return test_matrix.run()

步骤 8：自动化调度

# .github/workflows/mobile-test.yml
name: AI Mobile Compatibility Test
on:
  push:
    branches: [ main ]
jobs:
  test:
    runs-on: ubuntu-latest
    steps:
      - uses: actions/checkout@v4
      - name: Setup Python
        uses: actions/setup-python@v5
        with:
          python-version: '3.10'
      - name: Install dependencies
        run: pip install -r requirements.txt
      - name: Run AI Tests
        run: python run_mobile_tests.py --devices="Samsung_Galaxy_S22,iPhone_14,Huawei_Mate_50"
      - name: Upload Allure Report
        uses: simple-elf/allure-report-action@v1

11. 经验教训与最佳实践 💡

11.1 踩过的坑

  • 不要过度依赖 LLM：LLM 可能生成无效操作（如对不可见元素点击），需加校验；
  • 视觉检测需调参：不同设备屏幕差异大，SSIM 阈值需动态调整；
  • 云测成本控制：Firebase Test Lab 按分钟计费，需优化测试时长。

11.2 最佳实践

  • 混合策略：70% AI 探索 + 30% 核心路径覆盖；
  • 渐进式 rollout：先在非关键模块试点，再推广；
  • 持续更新知识图谱：每次发现新 bug，更新设备 profile。

12. 结语：AI 不是魔法，而是“智能放大器” 🔍

这次实践让我深刻体会到：AI 不会自动解决所有问题，但能将测试工程师的洞察力放大百倍。

我们没有取代 QA，而是让他们从“操作工”升级为“策略师”：

  • 设计 AI 探索策略
  • 定义设备知识图谱
  • 分析 AI 发现的异常

移动端兼容性测试的未来，不是更多人力，而是更智能的工具。如果你也在被设备碎片化折磨，不妨迈出第一步：用 AI 模拟 100 种用户操作，或许下一个隐藏 bug，就在其中。🌟

🔗 实用资源（均可访问）：

📈 整体架构图：
Yes
Anomaly
No
Failure
Start Test
Select Device
Load Device Profile
AI Action Generator
Execute Actions on Device
Visual Check Enabled?
Capture Screenshot
Compare with Baseline
Report Bug
Continue
Log Analysis
LLM Root Cause
Allure Report

回望整个探索过程，AI 技术应用所带来的不仅是效率的提升 ⏱️，更是工作思维的重塑 💭 —— 它让我们从重复繁琐的机械劳动中解放出来 ，将更多精力投入到创意构思 、逻辑设计 等更具价值的环节。或许在初次接触时，你会对 AI 工具的使用感到陌生 🤔，或是在落地过程中遇到数据适配、模型优化等问题 ⚠️，但正如所有技术变革一样，唯有主动尝试 、持续探索 🔎，才能真正享受到 AI 带来的红利 🎁。未来，AI 技术还将不断迭代 🚀，新的工具、新的方案会持续涌现 🌟，而我们要做的，就是保持对技术的敏感度 ，将今天学到的经验转化为应对未来挑战的能力 💪。

 

如果你觉得这篇文章对你有启发 ✅，欢迎 点赞 👍、收藏 💾、转发 🔄，让更多人看到 AI 赋能的可能！也别忘了 关注我 🔔，第一时间获取更多 AI 实战技巧、工具测评与行业洞察 🚀。每一份支持都是我持续输出的动力 ❤️！

 

如果你在实践 AI 技术的过程中，有新的发现或疑问 ❓，欢迎在评论区分享交流 💬，让我们一起在 AI 赋能的道路上 🛤️，共同成长 🌟、持续突破 🔥，解锁更多工作与行业发展的新可能！🌈

# 人工智能 # bug
Logo
2048 AI社区

有“AI”的1024 = 2048，欢迎大家加入2048 AI社区

更多推荐

cover

AI - 接口测试不用写脚本！AI 帮我生成测试用例，还自动对比返回结果

avatar 2048 AI社区
cover

企业级旅游管理系统管理系统源码｜SpringBoot+Vue+MyBatis架构+MySQL数据库【完整版】

avatar 2048 AI社区

51c大模型~合集61

Case2: 方向感知image 1。

avatar 2048 AI社区