Logo
Project Icon

ScreenAgent

由视觉语言大模型驱动的电脑控制工具

ScreenAgentVLM AgentIJCAI 2024自动控制数据集Github开源项目

ScreenAgent项目创建了一个由视觉语言模型驱动的电脑控制环境，允许代理通过截图与真实屏幕互动并操作GUI。自动控制流程分为规划、执行和反思三个阶段，使代理能够完成多步骤任务。项目包含丰富的截图和操作序列数据集，支持包括GPT-4V、LLaVA-1.5、CogAgent和ScreenAgent在内的多种模型，并提供简化体验的网页版客户端。

GithubGithubHuggingfaceHuggingface论文论文
介绍相关项目
ProAgent - 将人工智能引入流程自动化的创新方案
GithubProAgent人工智能大语言模型工作流开源项目自动化
ProAgent项目引入了代理流程自动化(APA)概念，将大型语言模型应用于工作流程的构建和执行。该系统能够理解人类指令，自主设计工作流程，并通过协调多个专门代理来处理复杂任务。相比传统的机器人流程自动化(RPA)，ProAgent在处理需要人类智能的任务方面展现出显著优势。这一创新方法不仅提高了自动化水平，还为未来智能化流程管理开辟了新的研究方向。
AutoAgents - 增强大语言模型的复杂问题解答能力
AutoAgentsGithubLLM信息搜索能力复杂问题回答开源项目链式思考
AutoAgents项目通过思维链推理和信息搜索能力提升大语言模型的复杂问题解答水平。该项目展示了语言模型理解目标、制定计划、使用工具和输出结果的能力。目前重点开发Web搜索代理，并计划推出7B参数模型。用户可在Hugging Face平台体验演示或本地运行代理。未来发展方向包括构建高质量数据集、优化模型性能和扩展功能。
CogVLM - 开源视觉语言模型，提升图像理解与跨模态对话功能
CogAgentCogVLMGithub图像理解多回合对话开源项目跨模态基准测试
CogVLM和CogAgent是领先的开源视觉语言模型，专注于图像理解和跨模态任务。CogVLM-17B拥有100亿视觉参数和70亿语言参数，并在NoCaps、Flicker30k等十个经典跨模态基准测试上表现出色。CogAgent在CogVLM的基础上改进，增添了GUI图像代理能力，支持1120*1120分辨率的图像理解，并在VQAv2、TextVQA等九个基准测试中表现优秀。该项目提供详细的技术文档、示例代码和Web演示，用户可以方便地进行模型推理和微调。了解更多信息，请访问项目主页。
AgentVerse - 全面的多语言模型(LM)部署与应用框架
AgentVerseGithub任务解决多智能体环境开源社区开源项目模拟框架热门
AgentVerse 是专为多语言模型(LM)部署与应用而设计的框架，提供任务解决和模拟两大核心功能。任务解决框架能集成多个代理，协同完成特定任务，如软件开发和咨询系统等；而模拟框架则允许用户自定义环境，从而观察和交互多个代理间的行为。此外，该项目也在 NVIDIA 博客和 ICLR 2024 上有所介绍，并提供了与诸多应用相结合的开源社区支持。
self-operating-computer - 使多模态模型能够操作计算机的框架
API接口GPT-4oGithubSelf-Operating Computer多模态模型开源项目键盘鼠标操作
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。
motionagent - AI视频自动生成平台
GithubMotionAgent图像生成开源项目脚本生成视频生成音乐生成
MotionAgent是一个基于深度学习的视频生成工具，集成了脚本创作、场景图生成、视频制作和背景音乐创作功能。该工具支持根据指定主题自动生成脚本，可生成高分辨率视频和自定义风格背景音乐。MotionAgent基于ModelScope开源模型社区开发，为视频创作提供了自动化解决方案。
AgentBench - 全面评估大型语言模型在多环境下的自主代理能力
AgentBenchGithubLLM-as-Agent任务设置开源项目测试结果评估框架
AgentBench是首个评估大型语言模型（LLM）作为自主代理的基准，涵盖操作系统、数据库、知识图谱等8个不同环境。该项目通过多任务设置和完整的数据集，深入分析LLM的实际应用能力。新版AgentBench v0.2优化了框架结构，并增加了更多模型的测试结果，方便开发者扩展和使用。
Agent-Driver - 革命性智能驾驶系统 融合人类智慧与AI技术
Agent-DriverGithub人工智能大型语言模型开源项目自动驾驶认知代理
Agent-Driver是一个创新型自动驾驶系统，通过大型语言模型作为认知代理，将人类智能整合到自动驾驶中。系统包括多功能工具库、认知记忆和推理引擎，实现类人的推理和决策能力。在nuScenes基准测试中，Agent-Driver性能显著超越现有方法，并展现出优秀的可解释性和少样本学习能力。这一项目为自动驾驶领域提供了新的研究方向，向实现人类级别驾驶迈进。
AgentLabs - AI助手前端服务平台 提供定制化解决方案
AI工具AgentLabs价值创造生成式AI自动化问题解决
AgentLabs专注于AI助手前端服务，提供定制化AI代理前端解决方案，包含身份验证、实时异步I/O和文件上传功能。平台利用生成式AI技术解决复杂问题，自动化重复任务，并聚焦高价值任务。AgentLabs致力于提升用户效率和财务收益，推动AI创新应用发展。
SWE-agent - 将 LM（例如 GPT-4）转换为软件工程代理问题来解决的工具
GitHubGithubLM-centricPrinceton UniversitySWE-agent开源项目软件工程
SWE-agent由普林斯顿大学团队开发，将语言模型（如GPT-4）转变为能在实际GitHub仓库中解决问题的软件工程代理。通过设计简洁的指令和反馈格式，SWE-agent能够浏览仓库、查看、编辑和执行代码文件。在SWE-bench测试中，SWE-agent实现了12.47%的问题解决率，达到了最先进的性能。用户可以通过网页界面或命令行使用SWE-agent，详细信息请查阅项目文档。
相关项目
项目侧边栏1项目侧边栏2
推荐项目
Project Cover

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。

Project Cover

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。

Project Cover

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。

Project Cover

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。

Project Cover

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。

Project Cover

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。

Project Cover

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。

Project Cover

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。

Project Cover

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
@2024 懂AI·鲁ICP备2024100362号-6·鲁公网安备37021002001498号