← 回集市
零件★ 73

Enikk · YOLO+OCR 先筛、必要时才调 VLM

多层感知:先用 YOLO+OCR 出候选元素框,必要时才叫视觉大模型,压低看屏幕的 token 成本。

作者没提供演示画面 —— 点下面的按钮进仓库自己看

怎么装 / 怎么用

Windows 10/11 免安装 zip(权重走 Git LFS 本地加载)

去 GitHub 看仓库