微软发布了OmniParser V2.0，这是一个视觉Agent解析框架，能将DeepSeek-R1、GPT-4o等模型转化为AI Agent。与V1相比，V2在检测小UI元素时准确率更高、推理速度更快，延迟降低60%。在ScreenSpot Pro基准测试中，V2+GPT-4o的准确率大幅提升至39.6%。同时，微软还开源了omnitool，一个基于Docker的Windows系统，用于屏幕理解、定位、动作规划和执行等功能，是将大模型转化为Agent的关键工具。