GPT-4V 学会自动摆布电脑比特派入账，这一天终于照旧到来了。

只需要给 GPT-4V 接入鼠标和键盘，它就能凭证浏览器界面上网：

以致还能快速摸了了“播放音乐”的播放器网站和按钮，给我方来一段 music：

是不是有点细念念极恐了？

这是一个 MIT 本科生小哥整出来的新活，名叫 GPT-4V-Act。

只需要几个浅易的用具，GPT-4V 就能学会收尾你的键盘和鼠标，用浏览器上网发帖、买东西以致是玩游戏。

如果用到的用具出 bug 了比特派入账，GPT-4V 以致还能意志到、并试图惩处它。

来望望这是怎样作念到的。

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

它不错像东谈主类同样用鼠标、键盘和屏幕“搜检”网页界面，并通过网页中的交互按键进行下一步操作。

要结束这种效用，除了 GPT-4V 之外，还用到了三个用具。

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 就能将每一步运转变念路王人通过对话框的方法反应出来比特派入账，用户来决定是否要无间让它操作。

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

这个用具由微软发明，方向是更好地对 GPT-4V 进行请示词工程。

比较让 GPT-4V 径直“看图言语”，这个用具不错将图片要津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 用近似的神志让 GPT-4V 知谈从网页浏览器的哪个部分找谜底，并进行交互。

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

一套进程下来，GPT-4V 不仅能准确判断图片上的哪些内容顺应需求比特派入账，还能准确找到交互按键，并学会“自动上网”。

这是个大技俩，现在还只结束了部分功能，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结束，举例试试 AI 打标器（现在网页端的交互照旧通过通过 JS 接口得知那里能交互，不是 AI 识别的）、以及请示用户输入详备信息等。

此外，作家也提到，现阶段 GPT-4V-Act 用法上还有一些需要明慧的方位。

举例，GPT-4V-Act 可能会被网页大开后劈头盖脸的弹窗小告白给“整懵了”，然后出现交互 bug。

又举例，现在这种玩法可能会违背 OpenAI 的家具使用轨则：

是以用的时候也要低调少许（doge）比特派入账

这个技俩在网上发出后，招引了不少东谈主的围不雅。

像是小哥用到的微软 Set-of-Mark Prompting 用具的作家，就发现了这个技俩：

还有网友提到，以致不错用来让 AI 我方读取考证码。

这个在 SoM 技俩中提到过，GPT-4V 是能顺利解读考证码的（是以以后可能还真不知谈是东谈主照旧机器在上网

比特派监控

）。

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

对此作家恢复称：

不外现在 GPT-4V 照旧要收费的，有莫得其他的结束方法？

作家也暗示，现在还莫得，但如实可能会尝试 Fuyu-8B 偶然 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。

参考链接：

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链接（包括不限于超链接、二维码、口令等方法），用于传递更多信息比特派入账，浮松甄选时刻，收尾仅供参考，IT之家整个著作均包含本声明。

　　声明：新浪网独家稿件，未经授权不容转载。 -->