腾讯网9 天
微软GUI智能体OmniParser二代开源！推理延迟降低60%，大模型玩手机更溜了
通过构建专门的图标描述数据集，研究人员发现该模型在常见应用图标的描述上更加可靠；在UI截图的视觉提示基础上，加入局部边界框的语义信息（以文本提示的形式）能够显著提升GPT-4o的理解效果。