微軟開源 OmniParser 純視覺 GUI 智能體：讓 GPT-4V 秒懂屏幕截圖，可操控手機 / 電腦

　　科技媒體 marktechpost 于 10 月 24 日發(fā)布博文，報道稱微軟公司宣布開源 OmniParser，是一款解析和識別屏幕上可交互圖標的 AI 工具。

　　項目背景

　　傳統(tǒng)的自動化方法通常依賴于解析 HTML 或視圖層次結(jié)構(gòu)，從而限制了其在非網(wǎng)絡(luò)環(huán)境中的適用性。

　　而包括 GPT-4V 在內(nèi)的現(xiàn)有的視覺語言模型(VLMs)，并不擅長解讀復(fù)雜 GUI 元素，導(dǎo)致動作定位不準確。

　　項目簡介

　　微軟為了克服這些障礙，推出了 OmniParser，是一種純視覺基礎(chǔ)的工具，旨在填補當(dāng)前屏幕解析技術(shù)中的空白。

　　該工具并不需要依賴額外的上下文數(shù)據(jù)，可以理解更復(fù)雜的圖形用戶界面(GUI)，是智能 GUI 自動化領(lǐng)域的一項令人興奮的進展。

　　OmniParser 結(jié)合可交互區(qū)域檢測模型、圖標描述模型和 OCR 模塊等，不需要 HTML 標簽或視圖層次結(jié)構(gòu)等顯式基礎(chǔ)數(shù)據(jù)，能夠在桌面、移動設(shè)備和網(wǎng)頁等上跨平臺工作，提高用戶界面的解析準確性。

　　OmniParser 除了識別屏幕上的元素，還能將這些元素轉(zhuǎn)換成結(jié)構(gòu)化的數(shù)據(jù)。

　　測試表現(xiàn)

　　OmniParser 在多個基準測試中顯示出優(yōu)越的性能。例如，在 ScreenSpot 數(shù)據(jù)集中，其準確率提高了 73%，顯著超越依賴 HTML 解析的模型。

　　這一設(shè)計不僅能生成類似文檔對象模型(DOM)的結(jié)構(gòu)化表示，還能通過疊加邊界框和功能標簽來引導(dǎo)語言模型做出更準確的用戶動作預(yù)測。

　　同時，GPT-4V 在使用 OmniParser 輸出后，圖標的正確標記率從 70.5% 提升至 93.8%。這些改進表明，OmniParser 能夠有效解決當(dāng)前 GUI 交互模型的根本缺陷。

　　OmniParser 的發(fā)布不僅拓寬了智能體的應(yīng)用范圍，也為開發(fā)者提供了一個強大的工具，助力創(chuàng)建更智能、更高效的用戶界面驅(qū)動智能體。微軟目前已在 Hugging Face 上發(fā)布 OmniParser，普及這一前沿技術(shù)，將進一步推動多模態(tài) AI 的發(fā)展，特別是在無障礙、自動化和智能用戶輔助等領(lǐng)域。