GPT-4V 学会自动主管电脑比特派内测版下载，这一天终于如故到来了。

只需要给 GPT-4V 接入鼠标和键盘，它就能凭据浏览器界面上网：

致使还能快速摸明晰“播放音乐”的播放器网站和按钮，给我方来一段 music：

是不是有点细想极恐了？

这是一个 MIT 本科生小哥整出来的新活，名叫 GPT-4V-Act。

只需要几个浅易的器用，GPT-4V 就能学会放弃你的键盘和鼠标，用浏览器上网发帖、买东西致使是玩游戏。

如若用到的器用出 bug 了，GPT-4V 致使还能意志到、并试图处罚它。

来望望这是奈何作念到的。

GPT-4V-Act，本色上是一个基于 Web 浏览器的 AI 多模态助手（Chromium Copilot）。

它不错像东说念主类相同用鼠标、键盘和屏幕“稽查”网页界面，并通过网页中的交互按键进行下一步操作。

要收场这种成果，除了 GPT-4V 除外，还用到了三个器用。

一个是 UI 界面，不错让 GPT-4V“看见”网页截图，也能让用户与 GPT-4V 发生交互。

这么，GPT-4V 就能将每一步脱手想路皆通过对话框的体式反应出来，用户来决定是否要赓续让它操作。

另一个是 Set-of-Mark Prompting（SoM）器用，让 GPT-4V 学会交互的一款器用。

这个器用由微软发明，指标是更好地对 GPT-4V 进行教唆词工程。

比拟让 GPT-4V 径直“看图语言”，这个器用不错将图片要害细节拆分红不同的部分，并进行编号，让 GPT-4V 有的放矢：

关于网页端亦然如斯，Set-of-Mark Prompting 用访佛的面貌让 GPT-4V 知说念从网页浏览器的哪个部分找谜底，并进行交互。

临了，还需要用到一个自动标注器（JS DOM auto-labeler），不错将网页端总共能交互的按键标注出来，让 GPT-4V 决定要按哪个。

一套历程下来，GPT-4V 不仅能准确判断图片上的哪些内容稳当需求，还能准确找到交互按键，并学会“自动上网”。

这是个大款式，当今还只收场了部分功能，包括点击、打字交互、自动标注等。

接下来，还有其他的一些功能要收场，举例试试 AI 打标器（当今网页端的交互如故通过通过 JS 接口得知那儿能交互，不是 AI 识别的）、以及教唆用户输入留意信息等。

此外，作家也提到，现阶段 GPT-4V-Act 用法上还有一些需要提防的所在。

举例，GPT-4V-Act 可能会被网页翻开后漫天掩地的弹窗小告白给“整懵了”，然后出现交互 bug。

又举例，当今这种玩法可能会违犯 OpenAI 的居品使用规章：

是以用的期间也要低调少许（doge）

这个款式在网上发出后，眩惑了不少东说念主的围不雅。

像是小哥用到的微软 Set-of-Mark Prompting 器用的作家，就发现了这个款式：

还有网友提到，致使不错用来让 AI 我方读取考证码。

这个在 SoM 款式中提到过，GPT-4V 是能告捷解读考证码的（是以以后可能还真不知说念是东说念主如故机器在上网

）。

与此同期，也有网友也曾在假想桌面流自动化（desktop automation）的操作了。

对此作家回答称：

比特派 heco

不外当今 GPT-4V 如故要收费的，有莫得其他的收场要害？

作家也暗意，当今还莫得，但照实可能会尝试 Fuyu-8B 或者 LLaVAR 这么的开源模子。

免费的自动化桌面流 AI 助手，不错期待一波了。

参考连气儿：

龙头凤尾分析：上期龙头开出1路号码07，最近10期龙头012路比为3：5：2，目前1路龙头连续开出2期，本期预计不会走冷，看好龙头01；上期凤尾开出2路红球26，近10期凤尾012路比为6：2：2，当前1路凤尾轮空2期，本期适当关注回补，看好凤尾31；

本文来自微信公众号：量子位 （ID：QbitAI），作家：萧箫

告白声明：文内含有的对外跳转连气儿（包括不限于超连气儿、二维码、口令等体式），用于传递更多信息比特派内测版下载，大致甄选时辰，终结仅供参考，IT之家总共著作均包含本声明。

　　声明：新浪网独家稿件，未经授权不容转载。 -->