self-operating-computer

使多模态模型能够操作计算机的框架

Self-Operating Computer 多模态模型 GPT-4o 键盘鼠标操作 API接口 Github 开源项目

Self-Operating Computer Framework通过模拟人类的视觉和手动操作，实现计算机的自动化控制。当前支持GPT-4o、Gemini Pro Vision、Claude 3和LLaVa多模态模型，并计划对更多模型开放兼容。适用于Mac OS, Windows和Linux系统。

文档

gpt-computer-assistant - 跨平台ChatGPT桌面助手，兼容Windows、MacOS和Ubuntu

GPT Computer AssistantGithubMacOSPythonUbuntuWindows开源项目

GPT Computer Assistant是一款兼容Windows、MacOS和Ubuntu系统的ChatGPT桌面助手。支持本地文本转语音和语音转文本功能，还具备环境音识别与快捷键操作等多种功能。用户可通过Python库轻松安装和使用，亦能创建自定义工具和代理。项目拥有稳定的基础架构，提供丰富的文档和社区支持，适合日常办公与代码编写等多场景使用。

gpt4-vision-chrome-extension - GPT-4 Vision Chrome扩展：实现网页自动化交互

Chrome扩展程序GPT-4 Vision APIGithub开源项目按钮点击文本输入页面导航

GPT-4 Vision Chrome扩展集成了GPT-4 Vision API，帮助用户自动执行网页任务，如在线搜索产品、文本输入、按钮点击和页面导航。通过简单的安装和构建步骤即可使用。

GPT 4o - 多模态智能对话系统

AI工具GPT 4o人工智能多模态交互实时响应情感识别

GPT 4o是OpenAI推出的新一代AI模型，提供实时文本、视觉和音频交互功能。它具备GPT-4级别的智能，支持增强情感识别，处理速度更快。GPT 4o的多模态能力可无缝处理各类输入，创造自然高效的人机交互体验。该技术将在教育、工作和日常生活中广泛应用，推动AI普及。免费用户也可体验高级AI功能，体现了AI技术的普惠性。

SingularGPT - 设备自动化的智能解决方案

ChatGPTGPT-4GithubNLP指令SingularGPT开源项目设备自动化

SingularGPT项目结合ChatGPT和GPT-4，实现自然语言驱动的设备自动化。用户通过简短文本查询，即可让SingularGPT执行相应操作，包括屏幕识别、无头服务器处理及自动化脚本生成。该项目不依赖爬虫，具备元素检测、文本检测和组件检测功能，支持x11服务器及NLP指令，安装简便，是设备自动化的领先解决方案。

gpt4all - 允许用户在常规桌面或笔记本电脑上私密运行的大型语言模型（LLMs）

GPT4AllGithub多平台支持应用下载开源项目无需GPU本地语言模型热门

GPT4All项目允许用户在常规桌面或笔记本电脑上私密运行大型语言模型（LLMs），无需进行API调用或使用GPU。用户可以直接下载应用程序开始使用，支持Windows、MacOS和Ubuntu等操作系统。该项目通过与Paperspace等合作伙伴的支持，实现了LLMs的高效和易于访问。

py-gpt - 多功能桌面AI助手，支持多模式与模型集成

DALL-E 3GPT-4GithubLangchainOpenAI APIPyGPT开源项目

PyGPT是一款桌面AI助手，提供与OpenAI语言模型GPT-4、GPT-4 Vision和GPT-3.5的直接互动，并通过Langchain集成其他LLMs。支持对话、生成、辅助和图像处理等多种功能，使用DALL-E 3进行图像生成，利用GPT-4 Vision进行图像分析。支持文件系统操作、Python代码生成和执行、系统命令、电文语音合成和识别，集成微软Azure、Google、Eleven Labs和OpenAI的服务。多模态插件支持，适用于文本交互、系统自动化、日常辅助、视觉应用和代码生成。

ROS-LLM - 一个用于具身智能应用的ROS框架

GPT-4GithubROS-LLMROS2开源项目机器人控制自然语言交互

ROS-LLM项目打造了一个使用大语言模型（如GPT-4和ChatGPT）的ROS框架，用于机器人决策和控制。框架易于扩展和集成，只需简单API配置，十分钟内即可完成机器人与ROS-LLM的结合，快速创建互动与控制体验。支持ROS系统，并拥有本地和云端自然语音交互、历史记录保存功能。未来计划增加导航接口和传感器输入接口，以提升机器人导航与环境感知能力。

AppAgent - 智能代理框架简化智能手机应用操作

AppAgentGPT-4VGithub多模态开源项目探索学习智能手机应用

AppAgent是一种基于LLM的多模态智能代理框架，模仿人类点击和滑动操作来运行智能手机应用。框架通过自主探索或观察人类演示学习新操作，生成知识库以执行复杂任务。无需系统后端访问，适用性广泛。提供详细配置步骤、评估基准和使用案例，支持GPT-4V和通义千问-VL等多种模型。

Multimodal-GPT - 整合视觉与语言功能的多模态对话机器人

GithubOpenFlamingo多模态GPT开源项目联合训练视觉指令语言模型

Multimodal-GPT是一个基于OpenFlamingo多模态模型的项目，通过结合视觉指令和语言指令数据的联合训练，有效提升模型性能。该项目支持VQA、图像描述、视觉推理、文本OCR和视觉对话等多种数据类型，并利用LoRA进行参数高效的微调。探索Multimodal-GPT的广泛应用可能性。

AutoAct - 自主规划驱动的智能体学习框架

AutoActGithub人工智能大语言模型开源项目机器学习自然语言处理

AutoAct是一个创新的智能体学习框架，无需大规模标注数据或闭源模型。该框架通过自主规划合成轨迹，并自动分化子智能体群组完成任务。实验结果显示，AutoAct在多种语言模型上的表现与强基线相当或更优。这种方法为智能体学习提供了高效、可复现的新途径。

相关项目

推荐项目

豆包MarsCode

豆包 MarsCode 是一款革命性的编程助手，通过AI技术提供代码补全、单测生成、代码解释和智能问答等功能，支持100+编程语言，与主流编辑器无缝集成，显著提升开发效率和代码质量。

AI写歌

Suno AI是一个革命性的AI音乐创作平台，能在短短30秒内帮助用户创作出一首完整的歌曲。无论是寻找创作灵感还是需要快速制作音乐，Suno AI都是音乐爱好者和专业人士的理想选择。

有言AI

有言平台提供一站式AIGC视频创作解决方案，通过智能技术简化视频制作流程。无论是企业宣传还是个人分享，有言都能帮助用户快速、轻松地制作出专业级别的视频内容。

Kimi

Kimi AI助手提供多语言对话支持，能够阅读和理解用户上传的文件内容，解析网页信息，并结合搜索结果为用户提供详尽的答案。无论是日常咨询还是专业问题，Kimi都能以友好、专业的方式提供帮助。

阿里绘蛙

绘蛙是阿里巴巴集团推出的革命性AI电商营销平台。利用尖端人工智能技术，为商家提供一键生成商品图和营销文案的服务，显著提升内容创作效率和营销效果。适用于淘宝、天猫等电商平台，让商品第一时间被种草。

吐司

探索Tensor.Art平台的独特AI模型，免费访问各种图像生成与AI训练工具，从Stable Diffusion等基础模型开始，轻松实现创新图像生成。体验前沿的AI技术，推动个人和企业的创新发展。

SubCat字幕猫

SubCat字幕猫APP是一款创新的视频播放器，它将改变您观看视频的方式！SubCat结合了先进的人工智能技术，为您提供即时视频字幕翻译，无论是本地视频还是网络流媒体，让您轻松享受各种语言的内容。

美间AI

美间AI创意设计平台，利用前沿AI技术，为设计师和营销人员提供一站式设计解决方案。从智能海报到3D效果图，再到文案生成，美间让创意设计更简单、更高效。

AIWritePaper论文写作

AIWritePaper论文写作是一站式AI论文写作辅助工具，简化了选题、文献检索至论文撰写的整个过程。通过简单设定，平台可快速生成高质量论文大纲和全文，配合图表、参考文献等一应俱全，同时提供开题报告和答辩PPT等增值服务，保障数据安全，有效提升写作效率和论文质量。

使用协议隐私政策广告服务

投诉举报邮箱: service@vectorlightyear.com