GPT-4V 学会自动主宰电脑比特派怎样使用教程，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。

只需要几个轻便的器具，GPT-4V 就能学会截止你的键盘和鼠标，用浏览器上网发帖、买东西致使是玩游戏。

如果用到的器具出 bug 了比特派怎样使用教程，GPT-4V 致使还能意志到、并试图处分它。

来望望这是若何作念到的。

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

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

比特派多链数字货币钱包

要收尾这种成果，除了 GPT-4V 之外，还用到了三个器具。

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 就能将每一步脱手想路齐通过对话框的体式反应出来比特派怎样使用教程，用户来决定是否要不息让它操作。

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

这个器具由微软发明，地方是更好地对 GPT-4V 进行请示词工程。

比拟让 GPT-4V 径直“看图谈话”，这个器具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 用雷同的款式让 GPT-4V 知谈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），不错将网页端总计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，还能准确找到交互按键比特派怎样使用教程，并学会“自动上网”。

这是个大边幅，当今还只收尾了部分功能，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尾，举例试试 AI 打标器（当今网页端的交互照旧通过通过 JS 接口得知那处能交互，不是 AI 识别的）、以及请示用户输入阻扰信息等。

此外，作家也提到，现阶段 GPT-4V-Act 用法上还有一些需要正经的地方。

举例，GPT-4V-Act 可能会被网页大开后遮天盖地的弹窗小告白给“整懵了”，然后出现交互 bug。

又举例，当今这种玩法可能会违抗 OpenAI 的居品使用划定：

是以用的时刻也要低调少许（doge）比特派怎样使用教程

这个边幅在网上发出后，诱惑了不少东谈主的围不雅。

像是小哥用到的微软 Set-of-Mark Prompting 器具的作家，就发现了这个边幅：

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 边幅中提到过，GPT-4V 是能得手解读考证码的（是以以后可能还真不知谈是东谈主照旧机器在上网

）。

与此同期，也有网友还是在假想桌面流自动化（desktop automation）的操作了。

对此作家恢复称：

不外当今 GPT-4V 照旧要收费的，有莫得其他的收尾边幅？

作家也暗意，当今还莫得，但如实可能会尝试 Fuyu-8B 概况 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。

参考贯穿：

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贯穿（包括不限于超贯穿、二维码、口令等体式），用于传递更多信息，省俭甄选时辰，驱散仅供参考比特派怎样使用教程，IT之家总计著述均包含本声明。

　　声明：新浪网独家稿件，未经授权隔断转载。 -->