微软近期在人工智能领域再次迈出重要一步，推出了OmniParser V2.0，这是一款基于纯视觉技术的GUI智能体解析工具，能够精准识别并解析屏幕上的可交互图标。此前，该工具与GPT-4V的结合已显著提升了其识别能力。
在2月12日，微软官方网站上正式发布了OmniParser的最新版本。这一版本不仅延续了前代产品的优势，还实现了与多个先进AI模型的兼容，包括OpenAI的多个版本（4o、o1、o3-mini）、DeepSeek R1、Qwen 2.5VL以及Anthropic的Sonnet等。这意味着这些模型在OmniParser的助力下，能够转变为操控计算机的AI智能体。
相较于V1版本，OmniParser V2.0在训练数据上进行了大幅升级，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。这一改进使得V2.0在检测较小的可交互UI元素时，准确率有了显著提升，同时推理速度也更快，延迟降低了60%。
在高分辨率Agent基准测试ScreenSpot Pro中，OmniParser V2.0与GPT-4o的结合展现出了惊人的效果。测试结果显示，V2.0+GPT-4o的准确率高达39.6%，而GPT-4o单独使用时，准确率仅为0.8%。这一对比充分展示了OmniParser V2.0在提升AI模型性能方面的巨大潜力。
为了加速不同智能体设置的实验进程，微软还推出了OmniTool这一开源工具。OmniTool是一个集成了屏幕理解、定位、动作规划和执行等基本功能的Docker化Windows系统。这一工具为将大模型转变为智能体提供了关键支持，极大地简化了实验过程。
对于对OmniParser和OmniTool感兴趣的开发者而言，微软已经提供了开源地址，方便他们获取并使用这些工具，以进一步推动人工智能技术的发展。
