微软研究院悄悄放出了”界面翻译官“：Omniparser V2。

该模型可以接入 OpenAI (4o/o1/o3-mini)、DeepSeek (R1)、Qwen (2.5VL)、Anthropic等模型。

OmniParser V2 比 V1 快 60%，可以理解各种操作系统、应用程序及其内部图示！它可以充当代理，控制 Windows 和浏览器完成通过提示给出的任务。

🚀 三大核弹级升级：
1️⃣ 显微镜级识别：V2的YOLOv8模型能捕捉到界面中仅3px的隐藏按钮，实测在微信小程序复杂界面中定位准确率暴涨400%

2️⃣ 闪电响应：新架构将图标识别延迟压到0.6秒，当GPT-4o还在加载截图时，DeepSeek-R1已帮你点完三份报表

3️⃣ 跨次元协作：开源工具包OmniTool打通LLM任督二脉，实测用Qwen操作Windows虚拟机的成功率超银行级人脸认证系统

GitHub：github.com
模型：huggingface.co
博客：www.microsoft.com