微軟近日宣布，視覺Agent解析框架OmniParser已發(fā)布最新版本V2。這一新版本具有將大型語言模型如OpenAI(4o/o1/o3-mini)、DeepSeek(R1)、Qwen(2.5VL)以及Anthropic(Sonnet)等，轉化為“計算機使用智能體”(Computer Use Agent)的能力。

與前一版本相比，OmniParser V2在檢測更微小、可交互的元素時展現(xiàn)出了更高的精度和更快的推理速度。這一顯著提升得益于V2采用了更大規(guī)模的交互元素檢測數(shù)據(jù)集和圖標功能描述數(shù)據(jù)進行訓練。通過這些訓練，OmniParser V2能夠更好地理解和識別計算機界面中的各種元素，從而為用戶提供更加智能、便捷的操作體驗。

此外，OmniParser V2還通過縮小圖標描述模型的輸入圖像尺寸，進一步降低了推理延遲。據(jù)微軟透露，與前代版本相比，V2的推理延遲降低了60%，這意味著用戶可以更加迅速地獲得系統(tǒng)的響應和反饋。

微軟OmniParser V2的發(fā)布，標志著大型語言模型在計算機使用智能體領域的應用取得了重要進展。