Project Icon

SeeAct

基于多模态GPT模型的网页任务自动化解决方案

SeeAct采用多模态GPT模型(如GPT-4V(ision)),提供网页任务自动化的解决方案,支持OpenAI和Google的多种语言模型,并与Playwright浏览器无缝集成。适用于网页代理测试与评估,支持多种配置和自定义任务,实现安全操作和实时监控。Multimodal-Mind2Web数据集提供丰富的网页截图和HTML文本,便于实验和评估。

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。
visualwebarena - 真实视觉网络任务评估多模态智能体表现的基准平台
AI评估GPT-4VGithubVisualWebArena多模态代理开源项目视觉网页任务
VisualWebArena是一个评估多模态自主语言智能体的真实基准平台。它包含多种基于网络的复杂视觉任务,全面评估智能体的各项能力。该项目基于WebArena的可复现评估方法,提供端到端训练和环境重置功能,支持在任意网页上测试多模态智能体。项目还公开了GPT-4V + SoM智能体在910个任务中的表现数据,方便研究人员进行分析和评估。
Mind2Web - AI通用网页交互代理
AI模型GithubMind2Web开源项目数据集网页交互网页代理
Mind2Web是一个开创性的AI项目,旨在开发能在任何网站上执行复杂任务的通用网页交互代理。该项目构建了包含2,000多个开放式任务的数据集,覆盖137个网站和31个领域。Mind2Web的特点是任务多样性、真实网站环境和广泛的用户交互模式,为AI在网络环境中的应用提供了坚实基础。
ScreenAgent - 由视觉语言大模型驱动的电脑控制工具
GithubIJCAI 2024ScreenAgentVLM Agent开源项目数据集自动控制
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。
ReAct - 语言模型中的ReAct协同方法
GPT-3GithubICLROpenAI APIPaLMReAct开源项目
介绍ReAct项目,通过比较GPT-3和PaLM在不同任务中的表现,探讨语言模型中的推理与行动协同方法。内容涵盖API设置、实验运行及结果分析,适用于HotpotQA、FEVER、AlfWorld和WebShop等任务。
Auto-GPT-ZH - GPT-4驱动的自主AI实验探索
Auto-GPTGPT-4Github人工智能实验应用开源项目自主AI
Auto-GPT-ZH是一个基于GPT-4的开源实验项目,展示了AI的自主功能。该系统能自动执行网页开发、商业调查等复杂任务,无需人工干预。项目为AI研究提供实践平台,同时提醒使用者注意其局限性和潜在风险,建议谨慎使用API并遵守相关规定。
midscene - AI支持的自然语言网页控制和数据提取
AI自动化GithubJSON格式Midscene.js开源项目断言功能自然语言交互
Midscene.js 是一款基于 AI 的自动化 SDK,能够使用自然语言控制网页、执行断言,并提取 JSON 格式的数据。它提供了直观的 UI 交互、数据格式提示和 AI 理解的断言功能,无需自定义训练,同时支持常用的多模态 LLM,如 GPT-4 等。还配备了可视化工具,便于调试和理解整个过程,为开发者提供全新的自动化开发体验。
WebcamGPT-Vision - 通过OpenAI GPT-4 Vision API实现实时图像分析的轻量应用
FlaskGithubOpenAI GPT-4 Vision APIWebcamGPT-Visionwebcam图像处理实时图像捕获开源项目
WebcamGPT-Vision是一款轻量级Web应用,利用OpenAI的GPT-4 Vision API实现实时图像处理,支持PHP、Node.js和Python/Flask三种版本,具备简洁直观的界面设计,能够从摄像头捕获图像并显示AI生成的描述。需要现代网络浏览器、相应的软件安装和OpenAI API密钥。
AI Employe - 基于GPT-4视觉技术的浏览器自动化工具
AI EmployeAI工具工作流程研究助手自动化邮件处理
AI Employe是一款基于GPT-4视觉技术的浏览器自动化工具,可靠地实现电子邮件到CRM/ERP的数据传输自动化。它能处理需要人类智能的任务,如理解邮件、收据和发票等。用户只需描述任务,AI Employe就能执行复杂操作,每周节省大量时间。作为研究助手,它可从图表和图像中提取见解。这个开源项目旨在提高工作效率,通过浏览器自动化帮助用户节省宝贵时间,成为提升工作效率的得力助手。
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。
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。

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