CogAgent – 清华与智谱AI联合推出的多模态视觉大模型

CogAgent是清华大学与智谱AI联合推出的多模态视觉大模型，专注于图形用户界面（GUI）的理解和导航。通过视觉模态对GUI界面进行感知，非传统的文本模态，更符合人类的直觉交互方式。CogAgent能处理高达1120×1120像素的高分辨率图像，具备视觉问答、视觉定位和GUI Agent等多种能力。在多个图像理解基准测试中取得了领先成绩，在GUI操作数据集上显著超越了现有的模型，如 Mind2Web 和 AITW。

官网：https://github.com/THUDM/CogVLM

立即打开官网