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

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。

AI办公办公工具AI工具博思AIPPTAI生成PPT智能排版海量精品模板AI创作热门
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。

iTerms

iTerms

企业专属的AI法律顾问

iTerms是法大大集团旗下法律子品牌，基于最先进的大语言模型(LLM)、专业的法律知识库和强大的智能体架构，帮助企业扫清合规障碍，筑牢风控防线，成为您企业专属的AI法律顾问。

SimilarWeb流量提升

SimilarWeb流量提升

稳定高效的流量提升解决方案，助力品牌曝光

稳定高效的流量提升解决方案，助力品牌曝光

Sora2视频免费生成

Sora2视频免费生成

最新版Sora2模型免费使用，一键生成无水印视频

最新版Sora2模型免费使用，一键生成无水印视频

Transly

Transly

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。

讯飞绘文

讯飞绘文

选题、配图、成文，一站式创作，让内容运营更高效

讯飞绘文，一个AI集成平台，支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容，加速品牌传播，提升内容营销效果。

热门AI辅助写作AI工具讯飞绘文内容运营AI创作个性化文章多平台分发AI助手
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。

AI工具TraeAI IDE协作生产力转型热门
商汤小浣熊

商汤小浣熊

最强AI数据分析助手

小浣熊家族Raccoon，您的AI智能助手，致力于通过先进的人工智能技术，为用户提供高效、便捷的智能服务。无论是日常咨询还是专业问题解答，小浣熊都能以快速、准确的响应满足您的需求，让您的生活更加智能便捷。

imini AI

imini AI

像人一样思考的AI智能体

imini 是一款超级AI智能体，能根据人类指令，自主思考、自主完成、并且交付结果的AI智能体。

下拉加载更多