在人工智能快速发展的今天,让AI系统能够自主浏览和操作网页已经成为一个备受关注的研究方向。然而,要实现这一目标,我们需要解决一个关键问题:如何让基于文本的语言模型"看懂"网页的视觉结构?Reworkd团队开发的开源工具Tarsier为这个问题提供了一个优雅的解决方案。
Tarsier的名字来源于一种生活在东南亚的小型灵长类动物——眼镜猴。正如眼镜猴拥有巨大的眼睛一样,Tarsier的主要功能就是为网页交互智能体提供"视觉"能力。它的核心特性包括:
Tarsier的工作流程可以概括为以下几个步骤:
元素标记: Tarsier会为网页上的可交互元素(如按钮、链接、输入框等)添加特殊标记。例如,一个按钮可能会被标记为[$23]
,其中23是该元素的唯一ID。这样,语言模型就可以通过指令如"点击[$23]"来精确操作特定元素。
截图转文本: Tarsier使用OCR技术将网页截图转换为结构化的文本表示。这个过程会保留网页的大致布局,使得即使是没有视觉能力的语言模型也能理解页面结构。
标签映射: Tarsier会生成一个标签到XPath的映射,便于后续定位和操作网页元素。
通过这些步骤,Tarsier为语言模型提供了一个既保留视觉结构信息,又易于理解和操作的网页表示。
Reworkd团队的内部测试显示,使用Tarsier处理 后的文本输入,普通的GPT-4模型在网页交互任务上的表现甚至超过了具有视觉能力的GPT-4V。这一惊人的结果充分说明了Tarsier在弥合语言模型与网页交互之间鸿沟方面的巨大潜力。
要开始使用Tarsier,你需要先安装它:
pip install tarsier
然后,你可以参考以下示例代码:
import asyncio from playwright.async_api import async_playwright from tarsier import Tarsier, GoogleVisionOCRService import json async def main(): # 加载Google Cloud Vision凭证 with open('./google_service_acc_key.json') as f: google_cloud_credentials = json.load(f) ocr_service = GoogleVisionOCRService(google_cloud_credentials) tarsier = Tarsier(ocr_service) async with async_playwright() as p: browser = await p.chromium.launch(headless=False) page = await browser.new_page() await page.goto("https://news.ycombinator.com") page_text, tag_to_xpath = await tarsier.page_to_text(page) print(tag_to_xpath) # 标签到XPath的映射 print(page_text) # 页面的文本表示 if __name__ == '__main__': asyncio.run(main())
Tarsier目前仍处于积极开发阶段。未来的计划包括:
随着这些改进的实现,Tarsier有望成为构建网页交互AI系统的重要工具。
Tarsier的出现为解决网页交互智能体的视觉感知问题提供了一个创新的解决方案。通过将复杂的网页结构转化为语言模型可以理解的形式,Tarsier为未来更智能、更自主的网络交互系统铺平了道路。无论你是AI研究人员、开发者,还是对未来网络交互感兴趣的爱好者,Tarsier都值得你关注和尝试。
让我们共同期待Tarsier的发展,以及它在推动网页交互智能体技术进步方面所能发挥的重要作用。
AI数字人视频创作平台
Keevx 一款开箱即用的AI数字人视频创作平台,广泛适用于电商广告、企业培训与社媒宣传,让全球企业与个人创作者无需拍摄剪辑,就能快速生成多语言、高质量的专业视频。
一站式AI创作平台
提供 AI 驱动的图片、视频生成及数字人等功能,助力创意创作
AI办公助手,复杂任务高效处理
AI办公助手,复杂任务高效处理 。办公效率低?扣子空间AI助手支持播客生成、PPT制作、网页开发及报告写作,覆盖科研、商业、舆情等领域的专家Agent 7x24小时响应,生活工作无缝切换,提升50%效率!
AI辅助编程,代码自动修复
Trae是一种自适应的集成开发环境(IDE),通过自动化和多元协作改变开发流程。利用Trae,团队能够更快速、精确地编写和部署代码,从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能,是提升开发效率的理想工具。
AI小说写作助手,一站式润色、改写、扩写
蛙蛙写作—国内先进的AI写作平台,涵盖小说、学术、社交媒体等多场景。提供续写、改写、润色等功能,助力创作者高效优化写作流程。界面简洁,功能全面,适合各类写作者提升内容品质和工作效率。
全能AI智能助手,随时解答生活与工作的多样问题
问小白,由元石科技研发的AI智能助手,快速准确地解答各种生活和工作问题,包括但不限于搜索、规划和社交互动,帮助用户在日常生活中提高效率,轻松管理个人事务 。
实时语音翻译/同声传译工具
Transly是一个多场景的AI大语言模型驱动的同声传译、专业翻译助手,它拥有超精准的音频识别翻译能力,几乎零延迟的使用体验和支持多国语言可以让你带它走遍全球,无论你是留学生、商务人士、韩剧美剧爱好者,还是出国游玩、多国会议、跨国追星等等,都可以满足你所有需要同传的场景需求,线上线下 通用,扫除语言障碍,让全世界的语言交流不再有国界。
一键生成PPT和Word,让学习生活更轻松
讯飞智文是一个利用 AI 技术的项目,能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定,还是学生群体的职业生涯规划、实习避坑指南,亦或是活动策划、旅游攻略等内容,它都能提供支持,帮助用户精准表达,轻松呈现各种信息。
深度推理能力全新升级,全面对标OpenAI o1
科大讯飞的星火大模型,支持语言理解、知识问答和文本创作等多功能,适用于多种文件和业务场景,提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台,涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能,能为不同需 求的用户提供便捷高效的帮助,助力用户轻松获取信息、解决问题,满足多样化使用场景。
一种基于 大语言模型的高效单流解耦语音令牌文本到语音合成模型
Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目,由多个知名机构联合参与。该项目提供了高效的 LLM(大语言模型)驱动的语音合成方案,支持语音克隆和语音创建功能,可通过命令行界面(CLI)和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数,生成高质量的语音。该项目适用于多种场景,如有声读物制作、智能语音助手开发等。
最新AI工具、AI资讯
独家AI资源、AI项目落地
微信扫一扫关注公众号