Logo
Project Icon

OmniParser

将界面截图转化为易于理解元素的智能工具

OmniParser界面解析GPT-4V交互区域检测图标功能描述Github开源项目

本项目将用户界面截图解析为结构化元素，提升GPT-4V的操作准确性。近期发布的交互区域检测和图标功能描述模型，在Windows Agent Arena中表现卓越。项目易于安装并支持在Gradio中演示使用案例。如需更多详情，请参见项目主页。

访问官网访问官网GithubGithubHuggingfaceHuggingface论文论文
介绍相关项目
ChatGPT - 多平台原生应用，涵盖GPT-3和GPT-4访问
ChatGPTDALL-EGPT-3GPT-4Github应用程序开源项目
该应用是一款跨平台的原生应用，支持Windows、Mac、Linux、iOS和Android，提供访问GPT-3和GPT-4的功能。应用包含DALL-E图像生成、声音识别、聊天设置、自定义模型等功能，适用于各种用户需求。原不需VPN（目前需VPN），支持各平台独立设置，拥有SVG显示、语法高亮和自定义API请求头功能，未来将增加数学公式显示、MarkDown支持及OpenAI额外功能。
GOT-OCR2_0 - GOT-OCR2_0为OCR技术开创统一端到端模型新纪元
GOTGithubHuggingfaceOCR图像识别开源项目模型自然语言处理视觉语言模型
GOT-OCR2_0项目提出通用OCR理论，通过统一端到端模型实现OCR 2.0。该模型具备多语言识别、版面分析和细粒度OCR能力，可处理普通文本、格式化文本及多页文档。项目提供开源训练代码和在线演示，为OCR技术发展开辟新方向。
auto-gpt-web - 互联网搜索和信息收集，并可以在浏览器中保存定义、聊天记录和凭证的工具
AIAutoGPTGithub互联网访问安全性开源项目自动化目标
AutoGPT项目允许设置AI初始角色和目标，AI将自动实现无需人工监督。该项目支持互联网搜索和信息收集，并可以在浏览器中保存定义、聊天记录和凭证。未来功能包括长期记忆、Electron应用及使用Electron webview进行搜索操作。所需的OpenAI API密钥和Google搜索API等信息仅保存在本地浏览器，确保安全且可随时删除。
normcap - 跨平台OCR截图工具 智能提取文本信息
GithubNormCapOCR开源开源项目截图工具跨平台
NormCap是一款基于OCR技术的屏幕截图工具，适用于Linux、macOS和Windows系统。这款开源软件不仅可以捕获图像，还能智能识别并提取图像中的文本信息。NormCap支持多语言识别，界面简洁易用。无论是日常办公还是学术研究，NormCap都能协助快速获取所需的文字内容，提高工作效率。
Omnisearch - 多模态媒体智能搜索平台
AIAI工具内容管理多模态搜索安全监控视频索引
Omnisearch为多模态媒体内容提供高效搜索服务。系统支持27种语言，能快速准确地搜索视频、音频、文本和图像，无需额外元数据。其功能包括实时监控、人脸识别和对象检测，适用于媒体娱乐、在线教育和安防等领域。该平台有助于提升组织工作效率，优化内容管理和用户体验。
summary-gpt-bot - 支持文本、URL、PDF和YouTube视频摘要的AI机器人
Azure OpenAIGithubOpenAISummary GPT BotTelegram bot开源项目文本摘要
AI驱动的Telegram机器人，支持文本、URL、PDF和YouTube视频摘要。可通过OpenAI GPT-4或Azure OpenAI服务部署，支持设置允许使用者列表，并可自定义环境变量以满足各种需求。
Umi-OCR - 高效离线OCR工具 支持多语言识别和灵活调用
GithubOCR软件Umi-OCR开源项目截图OCR批量识别文字识别
Umi-OCR是一款开源的文字识别工具，适用于Windows和Linux系统。它提供离线OCR引擎，支持截图识别、批量识别、PDF识别等功能。软件还具备二维码识别和生成、公式识别等特性。Umi-OCR支持多语言界面，可通过命令行和HTTP接口调用，是一款功能全面的OCR解决方案。
GPTPortal - 多模态LLM API全能聊天门户
Anthropic ClaudeChat-Bot PortalGPT-4 APIGithubGoogle GeminiMistral AI开源项目
GPTPortal是一个基于Node.js的全功能网页应用，集成了多种LLM API，包括OpenAI的GPT-4、Anthropic Claude、Mistral AI和Google Gemini等。用户可以通过平台与对话机器人互动，支持文本、语音和图像生成功能。平台提供友好的用户界面、自定义指令、对话历史记录、简单设置和多模型选择。适用于需要高级AI和多模态交互的用户，支持技术应用和研发。
chatGPTBox - ChatGPTBox为浏览器带来全面AI集成体验
AI集成ChatGPT BoxGithub多语言支持开源项目浏览器扩展
ChatGPTBox是一款免费的浏览器扩展，提供全面的ChatGPT集成体验。支持多种API，包括Web API、GPT-3.5和GPT-4等，可在任何网页上快速调用对话框。该扩展集成了Reddit、YouTube和GitHub等常用网站，并兼容主流搜索引擎。通过选择工具和右键菜单，用户可执行翻译、总结和代码解释等多项任务。此外，ChatGPTBox还提供独立会话页面、移动设备支持和优秀的渲染功能，使AI助手随时可用。
pdfGPT - 基于GPT的PDF智能问答工具 提高文档阅读效率
GithubOpenAIPDF处理pdfGPT嵌入开源项目语义搜索
pdfGPT是一个开源的PDF文档智能问答工具。它采用文本分割和深度平均网络编码技术，实现PDF内容的语义搜索。通过整合OpenAI功能，pdfGPT生成精确答案并提供页码引用。系统兼容多种模型如GPT-4，同时提供友好界面和API。这一工具显著提高了PDF文档的信息获取效率，适用于研究、学习等多种场景。
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