GPT-4V学会用键鼠上网,人类眼睁睁看着它发帖玩游戏
创始人
2025-07-05 15:40:39
0

GPT-4V学会自动操纵电脑,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:

图片图片

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:

图片图片

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。

图片图片

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。

图片图片

来看看这是怎么做到的。

教GPT-4V“自动上网”

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。

图片图片

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

图片图片

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:

图片图片

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。

图片图片

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。

图片图片

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。

图片图片

又例如,目前这种玩法可能会违反OpenAI的产品使用规定:

除非API允许,否则不得使用任何自动化或编程的方法从服务中提取数据并输出,包括抓取、网络收集或网络数据提取。

图片图片

所以用的时候也要低调一点(doge)

微软SoM作者也来围观

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:

出色的工作!

图片图片

还有网友提到,甚至可以用来让AI自己读取验证码。

图片图片

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)。

图片图片

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:

AI自动标注器应该能实现这个,我也确实在计划制作一个更通用的Copilot。

图片图片

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。

图片图片

免费的自动化桌面流AI助手,可以期待一波了。

参考链接:
[1]https://github.com/ddupont808/GPT-4V-Act
[2]https://www.reddit.com/r/MachineLearning/comments/17cy0j7/d_p_web_browsing_uibased_ai_agent_gpt4vact/


相关内容

热门资讯

如何允许远程连接到MySQL数... [[277004]]【51CTO.com快译】默认情况下,MySQL服务器仅侦听来自localhos...
如何利用交换机和端口设置来管理... 在网络管理中,总是有些人让管理员头疼。下面我们就将介绍一下一个网管员利用交换机以及端口设置等来进行D...
施耐德电气数据中心整体解决方案... 近日,全球能效管理专家施耐德电气正式启动大型体验活动“能效中国行——2012卡车巡展”,作为该活动的...
20个非常棒的扁平设计免费资源 Apple设备的平面图标PSD免费平板UI 平板UI套件24平图标Freen平板UI套件PSD径向平...
德国电信门户网站可实时显示全球... 德国电信周三推出一个门户网站,直观地实时提供其安装在全球各地的传感器网络检测到的网络攻击状况。该网站...
为啥国人偏爱 Mybatis,... 关于 SQL 和 ORM 的争论,永远都不会终止,我也一直在思考这个问题。昨天又跟群里的小伙伴进行...
《非诚勿扰》红人闫凤娇被曝厕所... 【51CTO.com 综合消息360安全专家提醒说,“闫凤娇”、“非诚勿扰”已经被黑客盯上成为了“木...
2012年第四季度互联网状况报... [[71653]]  北京时间4月25日消息,据国外媒体报道,全球知名的云平台公司Akamai Te...