视觉语言模型

ScreenAgent 是由视觉语言模型驱动的计算机控制开源项目，公开屏幕交互控制器、相关数据集与训练代码，适合开发者研究界面操作智能体。

BuboGPT 是提供代码、模型和数据的多模态研究项目，结合文本、图像与音频进行对话，并探索将回答中的内容对应到图像中的具体对象。

OmniParser是微软公开的界面截图解析工具，将屏幕中的文字、图标和可交互区域转换为结构化元素，便于开发者将视觉语言模型与GUI智能体流程衔接。

Ovis是面向图文理解的多模态语言模型系列，公开仓库提供模型权重、安装、推理和微调说明，并列有图像、多图、视频理解及OCR等视觉语言任务的相关支持。

极视角提供视觉算法商城、视频分析、视觉语言模型、智能体开发等公开能力，适用于行业视觉选型、巡检算法集成、智能体构建。