微软在官网发布了视觉 Agent 解析框架 OmniParser 最新版本 V2.0，可将 DeepSeek-R1、GPT-4o、Qwen-2.5VL 等模型，变成可在计算机使用的 AI Agent。与 V1 版本相比，V2 在检测较小的可交互 UI 元素时准确率更高、推理速度更快，延迟降低了 60%。在高分辨率 Agent 基准测试 ScreenSpot Pro 中，V2+GPT-4o 的准确率达到了惊人的 39.6%，而 GPT-4o 原始准确率只有 0.8%，整体提升非常大。除了 V2，微软还开源了 omnitool，这是一个基于 Docker 的 Windows 系统，涵盖屏幕理解、定位、动作规划和执行等功能，也是将大模型变成 Agent 的关键工具。（金十）