微软发布全新版本的开源工具 OmniParser V2.0，助力DeepSeek等智能体秒变操控电脑AI

OmniParser V2.0：智能体掌控电脑AI，开启人机新时代

　　 2月17日消息，微软推出的OmniParser是一款基于纯视觉技术的GUI智能体解析工具，能够识别屏幕上可交互的图标。这款工具在与GPT-4V结合使用时，可以显著提升其识别能力。 OmniParser的推出无疑为用户界面的自动化测试和辅助操作带来了新的可能。通过纯视觉技术来解析和识别屏幕上的图标，不仅简化了开发者的操作流程，还提升了系统的智能化水平。结合GPT-4V的强大语言处理能力，OmniParser能够更准确地理解和响应用户的操作需求，这标志着人工智能在人机交互领域的应用又向前迈进了一步。未来，我们期待看到这一技术如何进一步优化用户体验，并在更多场景中发挥作用。

　　 2月12日，微软在官网发布了OmniParser最新版本V2.0，能够将OpenAI（4o/o1/o3-mini）、DeepSeek（R1）、Qwen（2.5VL）和Anthropic（Sonnet）等模型转化为可以操控计算机的AI智能体。

　　 与V1版本相比，OmniParserV2采用了更大规模的交互元素检测数据和图标功能标题数据进行训练。这使得它在识别较小的可交互UI元素时表现更加出色，不仅提高了准确率，还显著提升了推理速度，延迟减少了60%。这一改进无疑为开发者提供了更强大的工具，使其能够更高效地构建用户界面，同时也为终端用户提供了一个更为流畅和直观的操作体验。未来，我们期待看到OmniParser技术在更多领域得到应用，进一步推动人机交互界面的发展。

　　 在高分辨率Agent基准测试ScreenSpotPro中，V2GPT-4o的准确率达到了39.6%，而GPT-4o原始准确率仅有0.8%。这一显著提升表明，V2GPT-4o经过优化后，在处理复杂任务时具备了更强的能力。这样的进步不仅体现了技术迭代的重要性，也预示着人工智能领域未来可能带来的更多惊喜与突破。

　　 为了加速不同智能体配置的实验过程，微软发布了一个名为OmniTool的开源项目。这是一套集成多种基础工具的Docker化Windows系统，适用于智能体开发，涵盖了屏幕理解、定位、动作规划及执行等功能，是实现大模型向智能体转化的重要工具。

　　 附开源地址：

　　 https://github.com/microsoft/OmniParser