一般基于下面两种,不过openai收购了chrome,会不会出现第三种呢:
1、基于视觉定位,通过视觉大模型读取网页截图,让大模型告诉用户下一步该点击哪?browser-use就是这样:https://github.com/browser-use/browser-use
2、基于dom树解析定位,dom树需要清洗,去掉无用的css与js,保留有用的网页布局代码,让大模型根据class或id来操作元素。
网友回复
视频大模型和最强文本大模型通过代码生成视频哪个性价比更高?
seedream5.5为啥无法将图白色背景修改成透明?
seedance2如何通过2张不同角度平视图来识别场景进行人物定位?
有没有免费的浏览器中离线运行的语音识别ai模型?
微信小程序个人版不交钱认证就不让你用二维码,报错"errcode":85411?
美丽国为啥要限制ai发展?
seedance2如何参考白模视频使用真实场景和人物生成新视频?
如何设定小孩看电视的时候每隔10分钟弹出一个题目,答对才能继续,答错继续下一题?
直播数字人根据公屏互动评论实时做出不用动作技术是什么?
未来ai文本大模型根据剧本直接生成像素风或三维白模或灰模粗糙场景动画html给视频大模型参考站位与运镜?


