微软OmniParser开源，屏幕解析力压GPT-4V，带飞电脑控制Agent！

最新推荐文章于 2025-04-16 20:00:00 发布

江湖人称麻花滕

最新推荐文章于 2025-04-16 20:00:00 发布

阅读量1.8k

点赞数 7

文章标签：算法 transformer 深度学习 1024程序员节人工智能

本文链接：https://blog.csdn.net/m0_59235699/article/details/143349280

版权

自Anthropic深夜发布重大更新，带来超级Agent：computer use，一时间带来了一股“像人一样操控电脑”的热潮，像智谱也发布一句指令自动操作电脑、手机的AutoGLM。

近日微软OmniParser开源，专为电脑、手机屏幕UI解析而生，据称其效果在相关屏幕理解评测基准上超过GPT-4V。

OmniParser是一个通用的屏幕解析工具，它将用户界面(UI)的屏幕截图解释/转换为结构化格式，以提高基于现有大型语言模型(LLM)的用户界面代理的性能。训练数据集包括：

一个可交互图标检测数据集，该数据集从流行的网页中收集并自动标注，以突出可点击和可操作的区域；
一个图标描述数据集，旨在将每个用户界面元素与其相应的功能关联起来。

这个模型中心包括一个在上述数据集上微调过的 YOLOv8 版本和一个微调过的 BLIP-2 模型。

OmniParser 解析的屏幕截图图像和局部语义的示例。OmniParse 的输入是用户任务和 UI 屏幕截图，它将生成：1) 带有叠加边框和数字 ID 的解析屏幕截图图像，以及 2) 包含提取文本和图标描述的局部语义。

OmniParser 在 ScreenSpot 基准测试中显著提高了 GPT-4V 的性能。而在 Mind2Web 和 AITW 基准测试中，仅使用屏幕截图输入的 OMNIPARSER 优于需要屏幕截图之外额外信息的 GPT-4V 基线。

来自 SeeAssign 评估的示例。可以看到，细粒度的局部语义提高了 GPT-4V 为所指图标分配正确标签的能力。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述