माइक्रोसॉफ्ट ने हाल ही में OmniParser V2.0 जारी किया, जो एक नया解析 उपकरण है जो उपयोगकर्ता इंटरफेस (UI) स्क्रीनशॉट को संरचित प्रारूप में बदलने के लिए डिज़ाइन किया गया है। OmniParser बड़े भाषा मॉडल (LLM) पर आधारित UI एजेंटों के प्रदर्शन को बढ़ाने में सक्षम है, जो उपयोगकर्ताओं को स्क्रीन पर जानकारी को बेहतर ढंग से समझने और संचालित करने में मदद करता है। इस उपकरण का प्रशिक्षण डेटासेट में एक इंटरएक्टिव आइकन पहचान डेटासेट शामिल है, जिसे लोकप्रिय वेब पृष्ठों से सावधानीपूर्वक चुना गया है और स्वचालित रूप से टिप्पणी की गई है, जिससे क्लिक करने योग्य और कार्यात्मक क्षेत्रों को उजागर किया जा सके। इसके अलावा, एक और

माइक्रोसॉफ्ट ने हाल ही में स्क्रीन कंटेंट एनालिसिस टूल OmniParser लॉन्च किया, जो इस हफ्ते आर्टिफिशियल तकनीक के ओपन-सोर्स प्लेटफॉर्म HuggingFace के सबसे लोकप्रिय मॉडल सूची में पहले स्थान पर पहुंच गया है। HuggingFace के सह-संस्थापक और CEO Clem Delangue के अनुसार, यह इस क्षेत्र का पहला एनालिसिस टूल है जिसे यह सम्मान मिला है। OmniParser मुख्य रूप से स्क्रीनशॉट को संरचित डेटा में बदलने के लिए उपयोग किया जाता है, ताकि अन्य सिस्टम ग्राफिकल यूजर इंटरफेस को बेहतर ढंग से समझ और प्रोसेस कर सकें। यह टूल मल्टी-मॉडल सहयोगात्मक कार्यप्रणाली अपनाता है: YO

क्या आपको वह ‘चित्र-से-शब्द’ जादुई GPT-4V याद है? यह चित्र की सामग्री को समझ सकता है और चित्र के आधार पर कार्य कर सकता है, यह सच में आलसी लोगों के लिए वरदान है! लेकिन इसका एक गंभीर कमजोर बिंदु है: इसकी निगाहें ठीक नहीं हैं! कल्पना कीजिए, आप GPT-4V से एक बटन पर क्लिक करने के लिए कहते हैं, लेकिन यह 'स्क्रीन का अंधा' की तरह इधर-उधर क्लिक करता है, क्या यह बहुत परेशान करने वाला है? आज हम आपको एक ऐसा जादुई उपकरण पेश करेंगे जो GPT-4V की नजर मजबूत कर देगा - OmniParser! यह माइक्रोसॉफ्ट द्वारा लॉन्च किया गया एक नया मॉडल है, जो ग्राफिकल यूजर इंटरफेस (GUI) में स्वचालित इंटरएक्शन को हल करने के लिए बनाया गया है।