使用场景
在搜索好的意大利餐厅时，DigiRL能够自动完成搜索任务。
在新蛋网上搜索Alienware Aurora时，DigiRL能够自动导航至产品页面并执行搜索。
在训练过程中，DigiRL能够通过自主数据更新维持稳定的性能，即使在网站变化时也能保持高效。
产品特色
使用自主VLM评估器解决开放式Android任务
通过离线强化学习最大化现有数据集的利用
采用离线到在线的强化学习鼓励代理自我学习
使用指令级价值函数构建自动课程
利用步进级价值函数挑选有利动作
通过自主收集的rollout训练，减少从错误中恢复的失败
与现有的行为克隆方法相比，具有更低的样本复杂度和更高的学习效率
使用教程
1. 访问DigiRL的官方网站以获取更多信息。
2. 阅读DigiRL的论文和代码，了解其算法和实现细节。
3. 下载并安装必要的软件环境，以运行DigiRL模型。
4. 根据DigiRL的指导文档设置实验环境，包括数据集和参数配置。
5. 运行DigiRL模型，观察其在不同任务上的表现。
6. 根据实验结果调整模型参数，优化DigiRL的性能。
7. 将DigiRL应用于实际的设备控制任务，实现自动化操作。
