「OmniParser V2」微软开源「AI接管屏幕」效率翻倍！

不二如是

微软的 OmniParser V2 是一款强大的工具，旨在将大型语言模型（LLM）转化为能够操控计算机的智能代理。

它通过将图形用户界面（GUI）的屏幕截图转化为结构化的机器可读数据，显著提升了 LLM 在理解和交互软件界面方面的能力。

在线学习：



更高的检测精度：OmniParser V2 在检测更小的交互元素方面实现了更高的准确性。

它在 ScreenSpot Pro 基准测试中达到了 39.6% 的平均准确率，相比 GPT-4o 单独使用的 0.8% 有了质的飞跃。

更快的推理速度：通过优化图标描述模型的图像大小，OmniParser V2 的延迟相比上一代降低了 60%。

在 A100 GPU 上的平均处理时间为 0.6 秒，在 RTX 4090 GPU 上为 0.8 秒。

强大的输入与输出能力：

游客，如果您要查看本帖隐藏内容请回复

与多种 LLM 集成：OmniParser V2 可与 OpenAI 的 GPT-4o、DeepSeek R1、Qwen 2.5VL 和 Anthropic Sonnet 等多种先进 AI 模型无缝集成。

微软还推出了OmniTool，这是一个 Docker 化的 Windows 系统，集成了屏幕理解、定位、动作规划和执行等基本功能，支持快速实验和开发。

OmniParser V2 的发布是 AI 视觉解析领域的重要里程碑，它通过卓越的速度和精度，为开发者和企业提供了强大的工具，推动了 AI 技术在更多领域的应用。

小甲鱼的二师兄

这个厉害，还是微软开源的？

不二如是

小甲鱼的二师兄 发表于 2025-2-20 19:11
这个厉害，还是微软开源的？

是滴！

快速收敛

sunshine_8205

鱼C-小师妹

学习！