- 上云资讯 -
2025-02-21 12:39:26 202人关注
ScreenSpot-Pro：专为高分辨率环境设计的多模态 LLM 基准工具！
在专业环境中，图形用户界面（GUI）代理面临着三大关键挑战。首先，专业应用程序的复杂性远高于一般软件，要求对复杂布局有深入理解;其次，专业工具通常具备更高的分辨率，导致目标尺寸较小，从而降低了定位准确性;最后，工作流程往往依赖于额外工具和文档，增加了操作的复杂性。这些挑战凸显了开发更先进的基准和解决方案以提升 GUI 代理在这些严苛场景中的性能的必要性。
高分辨率多模态LLM基准 ScreenSpot Pro评测 多模态大模型基准测试 ScreenSpot Pro应用场景 高分辨率多模态基准
2025-01-20 06:14:42 69人关注
GPTPdf：使用类似GPT-4o的多模态LLM分析PDF文件
近日，一款名为gptpdf的开源项目名在github赞火了1.1k星星，它使用了类似 GPT-4o 的 VLLM 模型来解析 PDF 文件并将其转换为 Markdown 格式。
2025-01-19 00:15:13 50人关注
上海AI lab开源超强多模态LLM InternLM-XComposer-2.5
昨天，上海AI实验室给我们带来了一个巨大的惊喜——开源了一款名为InternLM-XComposer-2.5（简称IXC-2.5）的多模态大型语言模型。这不是一个普通的模型，它在多个方面展现出了超凡的能力，特别是在超高分辨率图像理解、细粒度视频理解和多轮图像对话上，它的表现让人印象深刻。