微软开源视觉GUI智能体：增强GPT-4V能力，超3800颗星

400 0 0

文章摘要

微软研究人员开发了一款名为OmniParser的开源视觉GUI智能体，旨在提升大语言模型（LLM）如GPT-4V在用户界面（UI）识别和操作任务中的表现。OmniParser通过将UI截图解析为结构化元素，增强了模型对界面区域预测的能力，尤其在理解和推理视觉内容方面取得了显著进步。该工具在GitHub上获得了超过3800颗星的关注。

OmniParser的核心组件包括一个微调的交互式图标检测模型、一个微调的图标描述模型以及OCR光学字符识别模块。这些组件共同工作，生成用户界面的结构化表示，并在截图上显示潜在可互动元素的边界框。分阶段处理策略减轻了GPT-4V在动作预测时的负担，使其能更专注于核心任务。

在训练过程中，研究人员利用大规模数据集和Set-of-Marks方法，提高了模型识别多种类型可互动图标的能力。图标描述模型则负责理解图标的功能性语义，而OCR模块则识别和转换图像中的文本内容。OmniParser的集成使得GPT-4V在多个基准测试中性能得到显著提升，超过了同类模型。

OmniParser的开源地址为：https://github.com/microsoft/OmniParser。该工具的开发和开源，为AIGC领域和LLM应用落地提供了重要的技术支持，有助于推动相关技术的发展和应用。