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。