微软近日开源了OmniParser，这是一款专为电脑和手机屏幕UI解析而生的工具，旨在提高基于现有大型语言模型（LLM）的用户界面代理的性能。OmniParser能够将用户界面（UI）的屏幕截图解释为结构化格式，通过识别可点击和可操作的区域，将每个用户界面元素与其相应的功能关联起来。它在相关屏幕理解评测基准上超越了GPT-4V，证明了其在屏幕解析方面的强大能力。

🤖 OmniParser是一个通用的屏幕解析工具，它将用户界面(UI)的屏幕截图解释/转换为结构化格式，以提高基于现有大型语言模型(LLM)的用户界面代理的性能。

🖼️ OmniParser训练数据集包括：一个可交互图标检测数据集，该数据集从流行的网页中收集并自动标注，以突出可点击和可操作的区域；一个图标描述数据集，旨在将每个用户界面元素与其相应的功能关联起来。

📈 OmniParser在ScreenSpot基准测试中显著提高了GPT-4V的性能。而在Mind2Web和AITW基准测试中，仅使用屏幕截图输入的OMNIPARSER优于需要屏幕截图之外额外信息的GPT-4V基线。

🔍 OmniParser解析的屏幕截图图像和局部语义的示例。OmniParse的输入是用户任务和UI屏幕截图，它将生成：1) 带有叠加边框和数字ID的解析屏幕截图图像，以及2) 包含提取文本和图标描述的局部语义。

🎯 来自SeeAssign评估的示例。可以看到，细粒度的局部语义提高了GPT-4V为所指图标分配正确标签的能力。

2024-10-27 11:06 湖北

自Anthropic深夜发布重大更新，带来超级Agent：computer use，一时间带来了一股“像人一样操控电脑”的热潮，像智谱也发布一句指令自动操作电脑、手机的AutoGLM。

超级Agent：像人一样操控电脑！

近日微软OmniParser开源，专为电脑、手机屏幕UI解析而生，据称其效果在相关屏幕理解评测基准上超过GPT-4V。

OmniParser是一个通用的屏幕解析工具，它将用户界面(UI)的屏幕截图解释/转换为结构化格式，以提高基于现有大型语言模型(LLM)的用户界面代理的性能。训练数据集包括：

一个可交互图标检测数据集，该数据集从流行的网页中收集并自动标注，以突出可点击和可操作的区域；

一个图标描述数据集，旨在将每个用户界面元素与其相应的功能关联起来。

这个模型中心包括一个在上述数据集上微调过的 YOLOv8 版本和一个微调过的 BLIP-2 模型。

OmniParser 解析的屏幕截图图像和局部语义的示例。OmniParse 的输入是用户任务和 UI 屏幕截图，它将生成：1) 带有叠加边框和数字 ID 的解析屏幕截图图像，以及 2) 包含提取文本和图标描述的局部语义。

OmniParser 在 ScreenSpot 基准测试中显著提高了 GPT-4V 的性能。而在 Mind2Web 和 AITW 基准测试中，仅使用屏幕截图输入的 OMNIPARSER 优于需要屏幕截图之外额外信息的 GPT-4V 基线。

来自 SeeAssign 评估的示例。可以看到，细粒度的局部语义提高了 GPT-4V 为所指图标分配正确标签的能力。

https://huggingface.co/microsoft/OmniParserOmniParser for Pure Vision Based GUI Agenthttps://arxiv.org/abs/2408.00203https://github.com/microsoft/OmniParser

推荐阅读

• 对齐LLM偏好的直接偏好优化方法：DPO、IPO、KTO

• 一篇搭建AI大模型应用平台架构的全面指南

• RAG全景图：从RAG启蒙到高级RAG之36技，再到终章Agentic RAG！

• Agent到多模态Agent再到多模态Multi-Agents系统的发展与案例讲解（1.2万字，20+文献，27张图）

---

欢迎关注我的公众号“PaperAgent”，每天一篇大模型（LLM）文章来锻炼我们的思维，简单的例子，不简单的方法，提升自己。

跳转微信打开