ScreenAgent
由视觉语言大模型驱动的电脑控制工具
ScreenAgent项目创建了一个由视觉语言模型驱动的电脑控制环境，允许代理通过截图与真实屏幕互动并操作GUI。自动控制流程分为规划、执行和反思三个阶段，使代理能够完成多步骤任务。项目包含丰富的截图和操作序列数据集，支持包括GPT-4V、LLaVA-1.5、CogAgent和ScreenAgent在内的多种模型，并提供简化体验的网页版客户端。
ScreenAgentVLM AgentIJCAI 2024自动控制数据集Github开源项目
ScreenAI
GithubScreenAI
深度理解界面和信息图的视觉语言模型
AppAgent
AppAgentGPT-4V
智能代理框架简化智能手机应用操作
vision-agent
AI代码生成Github
开源AI代理库用于生成计算机视觉代码
cogagent-chat-hf
CogAgentCogVLM
视觉多轮对话及GUI代理开源模型
AgentLLM
AgentLLMChatGPT
用LLM打造自主代理，浏览器端高效运行
MobileAgent
CCL 2024Github
移动设备多模态操作助手
SeeAct
GPT-4V(ision)Github
基于多模态GPT模型的网页任务自动化解决方案
OmAgent
GithubOmAgent
多模态智能代理系统实现复杂视频理解
Best-AI-Agents
AI代理Github
顶尖AI代理实现创新自动化和智能任务执行
XAgent
GithubXAgent
开源的实验性大型语言模型驱动的自主代理
推荐工具精选
AI云服务特惠
懂AI专属折扣关注微信公众号
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