懂AI

微软开源纯视觉屏幕解析工具OmniParser，GUI时代真的来了！

RayRay
AGIOmniParser
前几天智谱AI发布了AutoGLM，让很多人直呼“王炸”、“头皮发麻”。
AutoGLM实际上是AI在手机上通过指令帮我们完成一系列操作，比如点外卖、订酒店、订机票等等。
最牛的其实不是完成了任务，因为这不是通过软件之间的接口对接实现的，而是直接模拟人点击操作了手机。
但这种操作，依我来看，也仅限于安卓。苹果是不可能给软件开这么高的权限，顶多是开个接口，会让用户实现这部分有接口的功能，但是朋友圈点赞评论暂时是想都别想了。
微软这几天开源的OmniParser有点意思，基于纯视觉的 GUI 代理的屏幕解析工具。

简单来说就是让AI分析屏幕，理解每一个按钮是操作什么功能的。
OmniParser是GUI中非常关键的一部分，只是理解了页面，如果再加上自动化，才是真正的实现GUI。
项目简介
OmniParser是一种全新的视觉解析工具，专为提升跨多个操作系统和应用程序的界面操作自动化而设计。该项目通过结构化解析用户界面截图，极大地增强了大型视觉语言模型GPT-4V的性能，使其能够更准确地在用户界面上定位和执行操作。
OmniParser整合了多个细化的模型，包括交互图标检测和图标功能描述，有效地识别和理解界面中的可交互元素。在没有额外输入信息的情况下，仅凭截图输入就显著超越了传统基线模型。
主要功能
1.可靠地识别用户界面内的可交互图标：
OMNIPARSER利用先进的视觉检测模型，从用户界面的截图中精确定位可交互元素（如按钮、图标、输入框等）。它能够自动识别并标注这些元素的位置和边界，确保系统可以准确了解哪些区域是可以进行操作的，从而为后续的自动化交互提供基础。
2.理解屏幕截图中各种元素的语义，并准确地将预期操作与屏幕上的相应区域关联起来：
OMNIPARSER不仅识别元素的视觉信息，还通过语义解析模型理解每个元素的功能和用途。它将这些语义信息与视觉检测结果相结合，准确关联预期操作和屏幕中的具体区域，从而提升自动化系统在执行任务时的准确性和有效性。
DEMO
1.OmniParser解析后的截图图像和本地语义示例。OmniParser的输入包括用户任务和UI截图，输出为：1）包含覆盖有边界框和编号的解析后截图图像，2）包含提取的文本和图标描述的本地语义信息。
2.可交互区域检测数据集示例。边界框基于从网页的DOM树中提取的可交互区域。
用途
简单了想了下，用途还真的挺多的。跨平台的自动化操作、智能辅助工具、无障碍辅助技术、自动化软件测试、企业工作流自动化、网页数据采集和个性化用户体验优化。
当然，开发者们的智慧肯定不止于此。再结合起来实际的一些需求，只讲一个实用案例，其他的你们可以在评论区聊聊。
“网络水军越来越智能，价格还被打下来了”。
项目链接
https://www.dongaigc.com/p/microsoft/OmniParser?a=omniparser

编辑推荐精选

扣子-AI办公

扣子-AI办公

职场AI，就用扣子

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！

堆友

堆友

多风格AI绘画神器

堆友平台由阿里巴巴设计团队创建，作为一款AI驱动的设计工具，专为设计师提供一站式增长服务。功能覆盖海量3D素材、AI绘画、实时渲染以及专业抠图，显著提升设计品质和效率。平台不仅提供工具，还是一个促进创意交流和个人发展的空间，界面友好，适合所有级别的设计师和创意工作者。

图像生成热门AI工具AI图像AI反应堆AI工具箱AI绘画GOAI艺术字堆友相机
码上飞

码上飞

零代码AI应用开发平台

零代码AI应用开发平台，用户只需一句话简单描述需求，AI能自动生成小程序、APP或H5网页应用，无需编写代码。

Vora

Vora

免费创建高清无水印Sora视频

Vora是一个免费创建高清无水印Sora视频的AI工具

Refly.AI

Refly.AI

最适合小白的AI自动化工作流平台

无需编码，轻松生成可复用、可变现的AI自动化工作流

酷表ChatExcel

酷表ChatExcel

大模型驱动的Excel数据处理工具

基于大模型交互的表格处理系统，允许用户通过对话方式完成数据整理和可视化分析。系统采用机器学习算法解析用户指令，自动执行排序、公式计算和数据透视等操作，支持多种文件格式导入导出。数据处理响应速度保持在0.8秒以内，支持超过100万行数据的即时分析。

AI工具使用教程AI营销产品酷表ChatExcelAI智能客服
TRAE编程

TRAE编程

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。

热门AI工具生产力协作转型TraeAI IDE
AIWritePaper论文写作

AIWritePaper论文写作

AI论文写作指导平台

AIWritePaper论文写作是一站式AI论文写作辅助工具，简化了选题、文献检索至论文撰写的整个过程。通过简单设定，平台可快速生成高质量论文大纲和全文，配合图表、参考文献等一应俱全，同时提供开题报告和答辩PPT等增值服务，保障数据安全，有效提升写作效率和论文质量。

数据安全AI助手热门AI工具AI辅助写作AI论文工具论文写作智能生成大纲
博思AIPPT

博思AIPPT

AI一键生成PPT，就用博思AIPPT！

博思AIPPT，新一代的AI生成PPT平台，支持智能生成PPT、AI美化PPT、文本&链接生成PPT、导入Word/PDF/Markdown文档生成PPT等，内置海量精美PPT模板，涵盖商务、教育、科技等不同风格，同时针对每个页面提供多种版式，一键自适应切换，完美适配各种办公场景。

热门AI工具AI办公办公工具智能排版AI生成PPT博思AIPPT海量精品模板AI创作
潮际好麦

潮际好麦

AI赋能电商视觉革命，一站式智能商拍平台

潮际好麦深耕服装行业，是国内AI试衣效果最好的软件。使用先进AIGC能力为电商卖家批量提供优质的、低成本的商拍图。合作品牌有Shein、Lazada、安踏、百丽等65个国内外头部品牌，以及国内10万+淘宝、天猫、京东等主流平台的品牌商家，为卖家节省将近85%的出图成本，提升约3倍出图效率，让品牌能够快速上架。

下拉加载更多