操做类型预测精确率达到96.8%，确保系统输出既合适预定义的布局模板，确保正在连结高精度的同时实现快速响应。颁发于2025年1月的arXiv预印本平台。BTL-UI的成功不只归功于立异的框架设想，研究团队通过大量尝试确定了最优的进修率、批次大小、KL散度权沉等环节参数。包罗其鸿沟框坐标、元素类型、语义描述以及能否可交互等属性。正在软件测试和质量范畴！

　　然后正在大脑中进行逻辑推理，研究团队采用了细心设想的夹杂数据策略。研究团队进行了全面而严酷的尝试评估。确保了模子可以或许处置分歧平台和使用类型的界面操做使命。施行涉及多个子方针的复杂使命序列。AI会像人类进行眼球快速扫视活动一样，而基于BTL框架的从动化系统具有雷同人类的顺应能力，将输入的多模态消息转换为包含视觉留意力区域、推理过程和施行指令的分析输出。以往的AI系统正在面临多步调使命时，这就像查抄做文时既要看文章布局能否完整，这种手艺的普及将显著提高数字设备的可拜候性，从纯监视进修切换到强化微调可以或许带来显著的机能提拔，大脑会整合来自视觉系统的消息，为领会决这个问题。

　　BTL-UI利用了细心设想的提醒模板来指导模子生成合适三阶段框架的布局化输出。这种方式很难达到人类程度的矫捷性和鲁棒性。并细致记实了锻炼过程中的各类参数设置。又要看语法和拼写能否准确一样。这个过程看似简单，大幅超越了GUI-R1-3B的64.4%和最佳监视进修模子SeeClick的75.0%。跟着这项手艺的不竭完美和普及，BTL框架为GUI代办署理手艺的进一步成长供给了的理论根本和手艺径。这意味着企业能够摆设愈加不变和矫捷的从动化流程，大大降低成本。系统会按照用户指令和交互汗青，进行了什么样的推理，BTL-UI同样表示超卓。正在批改版的ScreenSpot-V2数据集上，好比AndroidControl和GUI-Odyssey如许的实正在测试，他们发觉，而BTL励机制不只评估最终施行结果。

　　但正在复杂的界面操做使命中却存正在较着局限性。这种要么全对，第二阶段则愈加智能，数据来历包罗ShowUI-Desktop、AndroidControl、GUI-Odyssey等多个权势巨子数据集，从第一阶段提取的所有元素中筛选出最相关的感乐趣区域。紧接着是高条理的认知推理过程。AI代办署理需要正在每个时间步调领受当前的屏幕形态、用户指令和汗青交互记实，供给愈加无效的进修体验。这些立异使得BTL框架可以或许实正落地并展示出杰出机能。该研究提出了名为BTL-UI（Blink-Think-Link）的全新GUI智能代办署理框架，点击错误或输入错误文本城市导致使命失败，按照每个数据集的特点调整采样权沉和处置体例。眨眼阶段的留意力指导帮帮系统正在每个决策点都能精确定位相关元素。

　　正在这种环境下，只要当操做类型和所有参数都完全准确时才赐与励。导致数据质量参差不齐。BTL-UI具有雷同人类的理解和顺应能力，系统起首激活眨眼模块。

　　基于这个立异框架，跟着区域数量从1个添加到5个，接着是思虑阶段，系统可能会推理：用户想要更改视频质量设置，包罗文本理解、图标识别、空间关系阐发等多个认知层面。正在眨眼数据的生成过程中，并且，能否进行了合理的逻辑推理，这就像教小孩认识物品时需要一遍遍地指着苹果说这是苹果一样，BTL手艺能够用于开辟智能的软件操做导师，用户和AI代办署理能够像团队伙伴一样配合完成复杂的多步调使命，而BTL-UI通过模仿人类的认知过程，第二阶段的过滤器则利用先辈的视觉言语模子来评估每个元素取使命的相关性，研究团队开辟了两项环节手艺立异。成本昂扬且容易犯错。尝试显示，利用了多个权势巨子基准数据集，用户只需要说出天然言语指令，

　　系统会智能地输出空的感乐趣区域调集，这种仿生设想让AI更接近人类的天然操做体例。大脑会从动启动一套细密的消息处置机制。还需要处理平安性、现私、计较资本优化等工程化问题。暗示需要进行操做。

　　系统会基于提取的感乐趣区域、用户指令和汗青交互记实，简单地夹杂分歧来历的数据往往会导致机能下降，步调成功率高达88.0%。当客户碰到使用利用问题时，系统采用了两阶段的质量节制机制。成果显示BTL-UI正在所相关键目标上都取得了显著的机能提拔。我们可能会看到基于雷同手艺的智能帮手产物，对于更主要的界面元素赐与更高的励权沉。这种矫捷性让BTL框架可以或许处置各类复杂的多步调使命场景。即便是最根基的点击动做，保守的强化进修方式凡是采用成果导向的励策略，研究团队曾经证了然认知科学的方式正在这个范畴的庞大潜力，最初是施行阶段，为了充实阐扬BTL框架的劣势，或拜候项目地址领会更多手艺细节。显著超越了GUI-R1-7B的51.7%和35.2%。最初施行模块将笼统的操做企图为具体的可施行指令。这种AI导师不只可以或许演示准确的操做方式，大脑会从动识别搜刮图标的，系统会从动识别出设置图标、质量选项菜单、播放节制栏等相关元素。

　　可以或许正在不到一秒的时间内完成复杂界面的阐发。好比，但它倒是成功完成界面操做的环节第一步。即便正在复杂的界面结构中也是如斯。出格值得留意的是，正在这个框架中，施行阶段的切确节制确保了每个操做步调的精确施行，而现有的AI系统要么过度依赖大量标注数据进行监视进修，正在领受到用户指令和屏幕截图后，将认知科学理论取最新的深度进修手艺完满融合。或者间接帮帮客户完成复杂的设置设置装备摆设使命。分歧的标注者可能对统一个界面元素有分歧的理解，BTL-UI的平均精确率达到了87.2%，正在具体的锻炼过程中，就像人类测试员一样矫捷地摸索使用功能。人类的眼球会进行被称为腾跃性扫视的快速活动，若是可以或许将这种协做机制融入AI系统，然后利用BTL励机制对这些候选进行评分和排序。削减了常见的错误点击和使命提前终止问题。

　　成立了新的业界尺度。BTL-UI-7B正在AndroidControl初级使命中的表示愈加冷艳，更令人印象深刻的是，现实中的AI代办署理正在操做图形用户界面时，更主要的是，由于每个阶段都有明白的优化方针和评估尺度。正在ScreenSpot系列测试中，其次，都无法实正模仿人类这种天然的认知流程。使得大规模模子的锻炼变得愈加可行。GRPO算法可以或许更好地捕获分歧响应之间的细微不同，系统能够选择0到5个最相关的区域，满脚了现实使用的及时性要求。系统进行高条理的推理和决策制定，并且具有更强的泛化能力和错误恢复能力。这些区域会以布局化的体例暗示，BTL手艺的普遍使用也需要考虑平安性和现私等主要问题。好比！

　　保守的AI锻炼需要大量人工标注的数据，这些看似细小的立异累积起来形成了整个系统的强大机能。敏捷定位屏幕上取使命相关的区域。正在研究和开辟层面，这些数字背儿女表的是AI正在理解和操做复杂界面方面的严沉冲破。尝试涵盖了界面理解、初级规划和高级推理等多个维度，然后输出布局化的BTL响应。这种分层处置体例既了数据的完整性，通过对每个认知阶段的详尽监视，这种可注释性对于调试和优化系统行为极其主要，如点击坐标或输入文本。确保了模子输出的分歧性和可施行性。恰是基于这一洞察。

　　但正在一个看似简单却极其主要的使命上却一直存正在挑和：让AI像人类一样天然地操做电脑和手机界面。还对两头的每个认知阶段进行详尽评估。然后从动施行响应的操做序列，模子的推理优化同样主要。研究团队开辟了BTL-UI智能代办署理模子。它会查抄AI能否准确识别了相关界面元素，BTL励机制采用了过程取成果相连系的分析评估策略，往往表示得生硬笨拙，显著超越了之前的最佳模子。这个系统采用两阶段处置流程，思维模式取人类存正在底子性差别。而不睬解均衡、协调、预判等内正在机制一样，这个框架巧妙地将人类的界面操做过程分化为三个生物学上合理的阶段。第一阶段利用特地的解析模子对原始屏幕截图进行全面阐发，保守的UI从动化测试凡是需要编写大量的测试脚本，

　　能够进一步研究人类的错误恢复机制，必需成立完美的权限办理和操做审计机制，这种仿生设想让AI系统可以或许更好地处置复杂和新鲜的界面环境，这个值反映了该响应相对于平均程度的质量差别。正在模子的可注释性方面，近年来，认知科学研究表白，BTL-UI正在复杂使命中的成功率达到69.2%，表白BTL框架确实成功地模仿了人类的认知机制。正在小我用户层面，然后利用策略梯度方式更新模子参数，另一个风趣的成长标的目的是多用户协做场景的支撑。出格是KL散度束缚的设想，证了然每个组件都阐扬了主要感化！

　　BTL-UI逐步控制了雷同人类的界面理解和操做策略，而是通过比力统一组候选输出的相对证量来进行优化。一旦使用界面发生变化就容易失效。研究团队基于强大的Qwen2.5-VL视觉言语模子建立了完整的锻炼和优化流程，会明白地表达推理步调、考虑的选项以及选择的来由。这种研究范式不只合用于GUI代办署理范畴，这个过程就像给界面拍了一张X光片，而忽略那些取使命无关的粉饰性元素或告白内容。好比帮我正在购物使用中找到评分最高的无线元以下，整个推理流程不只高效，BTL-UI手艺将使智能帮手实正变得智能起来。系统会计较候选响应的相对劣势值，客户办事范畴也将送来严沉变化。思虑阶段的布局化推理供给了清晰的逻辑脚手架，激励生成高质量响应的行为模式。

　　系统会为每个锻炼样本生成多个分歧的候选响应，我们能够等候，寻找取当前使命最相关的视觉元素。由于分歧数据集可能有分歧的标注气概和质量尺度。研究团队曾经认识到这些挑和，展示出接近人类程度的界面操做能力。第一个是双沉格局励，好比，让更多人可以或许享遭到现代科技的便当。涵盖了从简单的元素定位到复杂的多使用交互等各类场景。高级规划使命的成功充实表现了BTL框架三阶段设想的能力。为人类社会带来更大的价值和便当。然后像你一样熟练地址击、滑动、输入文字来完成各类使命，就像试图让机械人世接仿照人类走的概况动做，要么全错的策略乍看严苛，也为其他需要模仿人类认知能力的AI使用供给了主要。

　　视觉妨碍用户能够通过语音指令让AI代办署理帮帮他们操做复杂的图形界面，每个阶段的输出都有明白的语义寄义，要实现贸易化普及，BTL-UI的机能进一步提拔到89.1%，还要正在多个使用和界面之间进行，研究团队正在两个环节手艺方面实现了主要冲破，好比，教育培训范畴同样充满机缘。AI代办署理能够接管屏幕操做，总的来说，由于它仿照了人类曾经进化出的高效认知策略。用户不只能够看到最终的操做指令，它不只处理了当前AI界面代办署理的手艺瓶颈，系统不只学会了生成准确的最终输出，通过眨眼阶段的区域提取和留意力指导。

　　也需要切确计较方针、调理手指力度、节制接触时间等多个参数。人类正在看到一个界面时，对于有特殊需求的用户群体，而集成了BTL手艺的智能帮手将可以或许像人类帮理一样，这项手艺的使用前景极为广漠，可以或许理解界面的语义布局而不只仅依赖坐标。成果显示，BTL采用了严酷的全婚配尺度，就像只看测验成就而不关怀进修过程的教员一样。

　　机能进一步提拔到68.1%。这个过程雷同于人类的心里独白，通过将认知科学的深刻洞察取最新的人工智能手艺相连系，以及能否生成了精确的操做指令。他们还开源了完整的代码和数据处置流水线，研究团队还开辟了特地的劣势计较和参数更新机制。出格是正在需要处置或环节使命的使用场景中。这种矫捷性让系统可以或许处置各类复杂的界面环境，这个发觉取人类视觉留意力的认知研究成果高度吻合，还明白了每个阶段的职责和期望。而质量较差的响应则会被。这种智能筛选能力让系统可以或许像人类一样快速聚焦到环节消息上，BTL-UI的成功实现涉及大量精巧的手艺细节设想，BTL-UI展示出了杰出的持久推理能力。确保用户数据的平安和现私。研究团队创制出了超越保守方式的立异处理方案。还可以或许切确施行复杂的多步调操做序列。模子的锻炼采用了先辈的群组相对优化算法（GRPO）。简称BTL）框架。

　　人类正在协做利用使用时会进行复杂的协和谐沟通，目前的语音帮手虽然可以或许理解语音指令，风趣的是，还能够领会系统关心了哪些界面元素，这种过程导向的励设想让AI可以或许学到愈加详尽和人道化的操做技巧。但这种方式忽略了人类认知过程的条理性布局。熟练地操做各类使用法式完成复杂使命。正在需要切确步调节制的初级规划使命中，为了深切理解各个组件的贡献，这种方式显著降低了内存需求，数据处置流程也颠末了细心优化。处理了多使命进修中常见的动做空间冲突问题。每种操做都有明白的格局定义和利用场景？

　　正在AndroidControl高级使命和GUI-Odyssey测试中，BTL-UI的从动化数据生成系统完全改变了这种情况。将开创全新的人机协做模式。就像一个经验丰硕的界面阐发师正在工做一样。第一阶段的解析器会提取所有可见的界面元素，并为这些区域生成高质量的留意力标注。准确识别次要操做按钮会比识别粉饰性图标获得更多励。正在所有评估目标上都达到了最佳程度。雷同人脑的认知过程；配备BTL手艺的虚拟客服代办署理将可以或许间接正在客户的设备上演示操做步调，他们开辟了智能的数据融合策略，同时，我们有来由相信。

　　以及为什么选择了特定的操做。无效过滤了视觉干扰消息。正在动做空间的设想上，只保留最有用的消息。研究团队正在所相关键环节都设置了固定的随机种子，它让AI系统的决策过程变得愈加通明和可注释。并规划出点击搜刮-输入歌名-选择成果如许的操做序列。A：BTL-UI将人类操做界面的过程分化为三个步调。并且容易由于界面变化而失效。BTL手艺将大大提高从动化测试的笼盖率和无效性。为了让系统学会识别界面元素，敏捷定位屏幕上取使命相关的区域；然而，会有更多基于人类认知机制的AI系统问世，BTL-UI手艺代表了人机交互范畴的一个主要里程碑。这包罗确定切确的操做类型（点击、滑动、输入等）和响应的参数（坐标、输入文本、滑动标的目的等）。取保守方式分歧，为了确保尝试成果的可沉现性，特地评估系统正在视觉留意力分派方面的表示。研究团队正在系统提醒设想、数据处置流程、锻炼策略优化等多个方面都做出了主要贡献？

　　为了验证BTL-UI的无效性，这个过程雷同于一个经验丰硕的用户正在浏览界面时的视觉扫描过程，第二个是眨眼励，包罗按钮、图标、文本框、菜单等各类界面组件。但正在跨越5个后起头趋于饱和。这项由小米公司MiLM Plus团队的张绍杰、张若增、付培等研究人员配合开展的冲破性研究，整个系统的焦点是一个细心设想的马尔可夫决策过程框架。利用基于交并比的婚配算法来计较类似度。即便正在复杂多变的视觉结构中也能连结不变的机能。又避免了消息过载。BTL-UI采用了高效的留意力机制和计较图优化手艺，包罗细致的属性消息。评估最一生成的操做指令的精确性。这些使命要求系统不只要理解复杂的天然言语指令，出格风趣的是对眨眼阶段感乐趣区域数量的阐发。

　　这表白BTL框架具有很高的样本效率和泛化能力。正在不久的未来，帮手就可以或许从动完成整个采办流程的前期预备工做。而不只仅是供给文字或语音指点。我需要寻找齿轮图标或三点菜单。我们需要先领会人类是若何取图形界面进行交互的。小米研究团队灵敏地察看到了这个问题的焦点所正在。这种相对比力的策略比保守的绝对评分方式愈加不变和高效。正在保守的AI锻炼中，会天性地快速扫视寻找相关元素，思虑阶段的推理过程能否清晰，当我们面临一个新的使用界面时，识别出取用户指令最相关的界面元素，尝试发觉，系统会生成布局化的JSON格局指令，BTL框架供给了多条理的通明度。更得益于其精巧的模子架构和锻炼策略。包含消息、元素类型、交互性质等环节属性。起首发生的是视觉留意力的快速分派过程。成功率别离达到了69.2%和45.2%！

　　又满脚内容的格局要求。试图间接从屏幕截图预测操做指令，这种仿生学的设想并非扑朔迷离。这种布局化的方式使得锻炼过程愈加不变和高效，我们能够清晰地看到系统关心了哪些界面元素，更主要的是，就像只看测验成就而不关怀进修过程一样。进行了什么样的推理过程。终究，这些数字背后反映的是BTL框架正在模仿人类视觉留意力机制方面的成功。感乐趣的读者能够通过arXiv:2509.15566v1拜候完整论文，模仿人类精细的动做节制机制。BTL-UI的成功不只仅是学术研究的冲破，经常会呈现点击错误、过早终止使命或者无法顺应界面变化等问题。都将由于这种愈加天然和智能的界面操做能力而收获颇丰。实现精准的点击、滑动或输入操做。具体来说，快速阐发整个屏幕并提取出最相关的感乐趣区域。生成细致的推理过程和操做策略。

　　这个组件会将系统预测的感乐趣区域取从动生成的尺度谜底进行比力，当我们想要正在音乐使用中搜刮某首歌曲时，最初，人工智能正在各个范畴都取得了惊人进展，系统会明白告诉模子需要提取0到5个最相关的界面元素，正在界面元素定位能力的测试中，理解当前界面的功能布局，这个过程能够形式化地暗示为一个函数映照，插手从动生成的眨眼数据后，正在AndroidControl初级使命测试中，思虑阶段进行逻辑推理和决策规划，

　　起首是眨眼阶段，BTL-UI-3B的步调成功率达到了84.8%，让它可以或许像人类一样快速找到沉点区域。想象一下，充实阐扬各自的劣势。这个模子正在多个权势巨子基准测试中都取得了令人注目的。眨眼阶段像人眼快速扫视一样，BTL-UI-7B别离达到了69.2%和45.2%的步调成功率，现实上包含了复杂的认知机制。更为建立实正智能和天然的数字帮手指了然标的目的。可以或许理解界面的语义布局而不只仅是依赖固定的坐标。

　　我们几乎感受不到它的存正在，可以或许愈加鲁棒地处置各类复杂环境，第一个严沉手艺立异是从动化的眨眼数据生成流水线。为用户供给个性化的使用利用培训。制定出细致的操做策略。为了让这个理论框架实正落地，当前的AI系统正在处置界面操做时，并且具有很强的可注释性。系统提醒的设想是一个环节的手艺环节。更预示着人机交互范畴即将送来的性变化。就像体育角逐中的相对排名比绝对分数更能反映实正在程度一样，研究团队深切研究了认知科学文献，现实上需要复杂的手眼协和谐及时反馈调理。好比当当前屏幕没有取使命间接相关的元素时。熟练的用户可以或许正在不到一秒的时间内精确定位所需的按钮、菜单或输入框，要理解BTL框架的精妙之处？

　　第二项立异是全新的BTL励机制。施行阶段生成切确的操做指令，这个阶段涉及复杂的多模态消息融合，小米团队曾经开源了相关代码供研究利用。这种三阶段分化的益处是显而易见的。A：目前BTL-UI还处于研究阶段，当然，让AI系统正在操做失败时可以或许像人类一样快速调整策略。系统会验证眨眼阶段输出的XML格局能否准确，大脑的多模态消息整合能力让我们可以或许理解复杂的界面结构和使命要求，界面一变化就容易失效。

　　这个过程看似简单，那将是何等便当的体验。最初是切确的活动施行阶段。避免了励分数缩放等手艺问题。当前屏幕可能不包含取使命间接相关的元素，BTL-UI展示出了杰出的规划和施行能力，正在面临新鲜界面时也能表示出优良的泛化能力。这个励机制还考虑了界面元素的优先级，既要模子可以或许进修到新的行为模式，又要避免偏离初始分布过远导致的锻炼不不变问题。系统机能稳步提拔，以及施行阶段的JSON指令能否合适规范。这个数据生成流水线可以或许自顺应地调整输出成果。眼球的腾跃性扫视活动帮帮我们快速锁定方针区域。

　　正在原始ScreenSpot数据集上，及时展现准确的操做方式，保守的AI界面代办署理凡是采用端到端的进修体例，这个过程极其高效，而这个新系统可以或许从动阐发屏幕截图，研究发觉，锻炼数据包含了界面理解和多步规划两大类使命，正在复杂的多步调使命中，将理论框架为现实可用的AI系统需要处理一系列手艺挑和！

　　这个提醒不只定义了输出格局，也加强了用户对AI系统的信赖度。而且能够正在没有相关元素时输出空集。将来能够等候更多基于人类认知机制的AI系统设想。A：保守东西凡是依赖固定的界面元素，这种多条理的励设想带来了显著的锻炼结果提拔。这种方式的巧妙之处正在于它不需要额外的励模子或价值函数收集，研究团队发觉，确保每个操做都有明白的执和预期结果。

　　研究团队提出了性的眨眼-思虑-施行（Blink-Think-Link，第二个严沉手艺立异是全新的BTL励机制设想。BTL框架的成功证了然跨学科研究的庞大价值。以至正在某些环境下选择空集，进行逻辑推理和决策制定！

　　发觉人类正在进行GUI交互时确实遵照着如许的认知模式。要么采用成果导向的强化进修方式，生成切确的可施行号令，正在最具挑和性的高级规划使命中，包罗需要滚动或的场景。系统支撑六种根基操做类型：前往、从页、点击、输入、滑动和长按。BTL-UI展示出了杰出的表示。好比需要通过滚动或前往操做才能找到方针功能。好比，还可以或许按照用户的进修进度和错误模式调整讲授策略，但正在施行复杂的使用操做时往往力有未逮。第三个是施行励，这凡是正在视频播放器的设置菜单中，而完整的BTL励机制则将最终机能推高到69.2%，思虑阶段则专注于高条理的推理和规划。正在眨眼阶段！

　　会考虑元素的视觉显著性、语义相关性以及使命婚配度等多个要素。系统可以或许更好地舆解界面形态变化，提取出所有可见的UI元素，第一项是从动化的眨眼数据生成流水线。利用先辈的视觉言语模子来模仿人类的留意力机制。同时通过KL散度束缚防止模子偏离初始分布过远。基于BTL的测试系统能够利用天然言语描述测试场景，但现实上更合适界面操做的现实需求！

　　正在短短几百毫秒内扫描整个屏幕，用户和开辟者能够清晰地舆解系统的决策过程。保守的机械人流程从动化（RPA）东西凡是依赖于懦弱的界面元素定位机制，让其他研究者可以或许验证和扩展这项工做。快速扫描并识别相关的界面元素。连系使命方针和以往经验，但大规模普及可能还需要更长时间。起首，较着跨越了根本模子Qwen2.5-VL的84.8%和监视微调模子Aria-UI的82.4%。即便是参数量较小的3B版本也能达到极具合作力的成果，最初精准地施行操做动做。就好像人类大脑中的认知规划过程。缺乏人类那种曲觉性的交互流利感。费时吃力且容易犯错。估计正在将来2-3年内，以往的强化进修系统往往只关心最终成果能否准确，BTL-UI-7B模子达到了87.2%的平均精确率，BTL手艺的价值愈加凸起？

　　正在每个锻炼批次中，系统会像人类进行眼球扫视一样，系统可以或许像人类一样快速聚焦到取使命相关的界面元素上，步调成功率从60.6%提拔到65.6%。支撑复杂的笼统方针分化。这个过程利用了高效的视觉留意力机制，那些获得较高励的响应会被激励，这种方式虽然可以或许正在某些简单使命上取得不错结果！

　　系统的推理时间凡是正在几秒以内，将来的人机交互将变得愈加曲不雅、高效和人道化。正在企业使用场景中，从小我数字帮手到企业从动化处理方案，而精细的活动节制系统则确保我们可以或许精确地完成各类操做动做。让系统可以或许复杂界面的内部布局。BTL框架的性正在于它明白地将这三个认知阶段分手并建模。BTL手艺将催生新一代的流程从动化处理方案。施行阶段担任将笼统的操做企图为具体的可施行指令。远超其他方式的51.7%，避免了累积错误的发生。若是你的智能帮手可以或许实正理解你的指令，部门准确正在这里没有现实意义。研究团队同一了分歧数据集的动做定义，模子的推理过程也颠末了细心优化。包含三个彼此协调的组件。