智譜AIは、180億パラメーター規模のビジョン言語モデルであるCogAgentをオープンソース化しました。CogAgentはGUIの理解とナビゲーションにおいて優れた性能を示し、複数のベンチマークテストで最先端の汎用性能を達成しています。このモデルは高解像度の視覚入力と対話型Q&Aに対応しており、任意のGUIスクリーンショットに対するQ&Aが可能です。CogAgentはOCR関連タスクにも対応しており、事前学習とファインチューニングにより、その能力は著しく向上しています。モデルは〜