GPT-4V 学会自动操纵电脑比特派新钱包,这一天终于还是到来了。 只需要给 GPT-4V 接入鼠标和键盘,它就能根据浏览器界面上网: 甚至还能快速摸清楚“播放音乐”的播放器网站和按钮,给自己来一段 music: 是不是有点细思极恐了? 这是一个 MIT 本科生小哥整出来的新活,名叫 GPT-4V-Act。 只需要几个简单的工具,GPT-4V 就能学会控制你的键盘和鼠标,用浏览器上网发帖、买东西甚至是玩游戏。 要是用到的工具出 bug 了,GPT-4V 甚至还能意识到、并试图解决它。 来看看这是怎么做到的。 GPT-4V-Act,本质上是一个基于 Web 浏览器的 AI 多模态助手(Chromium Copilot)。 它可以像人类一样用鼠标、键盘和屏幕“查看”网页界面,并通过网页中的交互按键进行下一步操作。 要实现这种效果,除了 GPT-4V 以外,还用到了三个工具。 一个是 UI 界面,可以让 GPT-4V“看见”网页截图,也能让用户与 GPT-4V 发生交互。 这样,GPT-4V 就能将每一步运行思路都通过对话框的形式反映出来,用户来决定是否要继续让它操作。 另一个是 Set-of-Mark Prompting(SoM)工具比特派新钱包,让 GPT-4V 学会交互的一款工具。 这个工具由微软发明,目的是更好地对 GPT-4V 进行提示词工程。 相比让 GPT-4V 直接“看图说话”,这个工具可以将图片关键细节拆分成不同的部分,并进行编号,让 GPT-4V 有的放矢: 对于网页端也是如此,Set-of-Mark Prompting 用类似的方式让 GPT-4V 知道从网页浏览器的哪个部分找答案,并进行交互。 最后,还需要用到一个自动标注器(JS DOM auto-labeler),可以将网页端所有能交互的按键标注出来,让 GPT-4V 决定要按哪个。 个位号码:最近两期个位开出号码为4-7,在福彩3D历史开奖中,前后两期个位分别开出号码4-7的奖号出现了65次。最近15期个位4-7组合出现之后,其下期奖号分别为:751-944-932-869-112-746-804-227-297-036-845-575-417-732-638; 一套流程下来,GPT-4V 不仅能准确判断图片上的哪些内容符合需求,还能准确找到交互按键,并学会“自动上网”。 这是个大项目,目前还只实现了部分功能,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实现,例如试试 AI 打标器(目前网页端的交互还是通过通过 JS 接口得知哪里能交互,不是 AI 识别的)、以及提示用户输入详细信息等。 此外,作者也提到,现阶段 GPT-4V-Act 用法上还有一些需要注意的地方。 例如,GPT-4V-Act 可能会被网页打开后铺天盖地的弹窗小广告给“整懵了”,然后出现交互 bug。 又例如,目前这种玩法可能会违反 OpenAI 的产品使用规定: 所以用的时候也要低调一点(doge) 比特派法务这个项目在网上发出后,吸引了不少人的围观。 像是小哥用到的微软 Set-of-Mark Prompting 工具的作者,就发现了这个项目: 还有网友提到,甚至可以用来让 AI 自己读取验证码。 这个在 SoM 项目中提到过,GPT-4V 是能成功解读验证码的(所以以后可能还真不知道是人还是机器在上网 )。 与此同时,也有网友已经在想象桌面流自动化(desktop automation)的操作了。 对此作者回应称: 不过目前 GPT-4V 还是要收费的,有没有其他的实现方法? 作者也表示,目前还没有,但确实可能会尝试 Fuyu-8B 或者 LLaVAR 这样的开源模型。 免费的自动化桌面流 AI 助手,可以期待一波了。 参考链接: 本文来自微信公众号:量子位 (ID:QbitAI),作者:萧箫 广告声明:文内含有的对外跳转链接(包括不限于超链接、二维码、口令等形式),用于传递更多信息,节省甄选时间比特派新钱包,结果仅供参考,IT之家所有文章均包含本声明。
声明:新浪网独家稿件,未经授权禁止转载。 -->
|