微軟OmniParser V2發(fā)布：大模型轉(zhuǎn)化為計(jì)算機(jī)智能體

近日，微軟官網(wǎng)宣布了一項(xiàng)重要更新。微軟發(fā)布了其視覺Agent解析框架OmniParser的最新版本V2。這一新版本具備將包括OpenAI的4o、o1、o3-mini，DeepSeek的R1，Qwen的2.5VL，以及Anthropic的Sonnet在內(nèi)的大模型，轉(zhuǎn)化為“計(jì)算機(jī)使用智能體”(Computer Use Agent)的能力。

與前代版本相比，OmniParser V2在多個(gè)方面實(shí)現(xiàn)了顯著提升。在檢測(cè)更微小、可交互的元素時(shí)，V2展現(xiàn)了更高的精度和更快的推理速度。這一提升得益于V2采用了更大規(guī)模的交互元素檢測(cè)數(shù)據(jù)集和圖標(biāo)功能描述數(shù)據(jù)進(jìn)行訓(xùn)練。

此外，OmniParser V2還通過縮小圖標(biāo)描述模型的輸入圖像尺寸，進(jìn)一步優(yōu)化了推理性能。據(jù)微軟官方數(shù)據(jù)，與前代版本相比，V2的推理延遲降低了60%。這一改進(jìn)使得OmniParser V2在處理復(fù)雜視覺任務(wù)時(shí)更加高效，為用戶提供了更加流暢、實(shí)時(shí)的交互體驗(yàn)。

此次OmniParser V2的發(fā)布，不僅展示了微軟在人工智能領(lǐng)域的持續(xù)創(chuàng)新，也為大模型在計(jì)算機(jī)智能體領(lǐng)域的應(yīng)用開辟了新的道路。