智谱AI开源了一个名为CogAgent的视觉语言模型，该模型具有180亿个参数规模。这个模型在GUI理解和导航方面表现出色，并在多个基准测试中取得了最新的通用性能。它还支持高分辨率的视觉输入和对话问答，并可以针对任意GUI截图进行问答。CogAgent模型可以通过上传截图进行任务推理，并返回计划、下一个动作以及具体操作的坐标信息。此外，CogAgent还支持OCR相关任务，并通过预训练和微调提高了其能力。如果您希望了解更多有关CogAgent的信息，可以访问以下链接：

cogagent-chat:

https://modelscope.cn/models/ZhipuAI/cogagent-chat/summary

cogagent-vqa:

https://www.modelscope.cn/models/ZhipuAI/cogagent-vqa/summary

标签： 开源视觉语言模型、 CogAgent、 支持GUI图形界面问答、 AI、 智谱、

本文地址： https://yihaiquanyi.com/article/c0aee08138a26adb2edb.html

上一篇：谷歌AI大模型概念股龙头谷歌AI大模型聊天机...
下一篇：lcbm游戏LCM太好玩啦实时推理tldraw快速绘...