Screenhand
★ 15
vs
groundingLMM
★ 969
Screenhand vs groundingLMM
Screenhand：ScreenHand 是一个开源的 MCP 服务器，为 macOS 和 Windows 上的 AI 代理提供原生桌面控制。它整合了辅助功能API、UI自动化、OCR和Chrome DevTools协议，以实现与应用程序和浏览器的快速、强大的交互，包括多智能体协调和后台作业处理。；groundingLMM：GLaMM（接地大型多模态模型）是一个端到端训练的大型多模态模型，能够生成与对象分割掩码集成的自然语言响应，实现了视觉接地，并支持在多层次粒度上与图像进行灵活交互。它引入了新颖的接地对话生成（GCG）任务，支持指代表达式分割和区域级图像描述等多种下游应用，并以大规模的GranD数据集为基础。
01
简评
ScreenhandVision / Multimodal · ★ 15
AI驱动的桌面应用程序UI调试和检查。
groundingLMMVision / Multimodal · ★ 969
理解并响应用户关于特定图像区域查询的交互式视觉助手。
02
并排对比
字段
ScreenhandgroundingLMM分类
视觉/多模态
视觉/多模态
Stars
★ 15
★ 969
许可证
AGPL-3.0
Apache-2.0
安装方式
git clone https://github.com/manushi4/screenhand.git && cd screenhand && npm install && npm run build:native
git clone https://github.com/mbzuai-oryx/groundingLMM.git
更新时间
6个月前
1个月前
开源
是
是
标签
桌面自动化, AI集成, UI自动化
多模态人工智能, 计算机视觉, 自然语言处理
03
功能特性
Screenhand01通过辅助功能/UI 自动化实现 macOS 和 Windows 的原生 UI 控制。
02通过 DevTools 协议实现后台 Chrome 浏览器控制。
03包含82个工具的广泛工具集，用于跨应用自动化和数据提取。
04通过会话租约和停滞检测实现多智能体协调。
05持久化学习记忆和后台作业处理守护程序。
groundingLMM01生成与对象分割掩码无缝集成的自然语言响应。
02支持新颖的接地对话生成（GCG）任务，并提供全面的评估协议。
03执行详细的区域级图像描述和回答基于推理的视觉问题。
04通过从基于文本的查询创建分割掩码，擅长指代表达式分割。
05提供高质量的图像描述和会话式问答。
04
使用场景
Screenhand↳AI驱动的桌面应用程序UI调试和检查。
↳通过 Chrome CDP 自动化浏览器任务，如填写表单、数据抓取和执行JavaScript。
↳通过在不同桌面应用之间串联操作来创建跨应用工作流。
↳协调多个AI智能体同时控制不同的应用程序窗口，避免冲突。
↳使用工作守护程序在后台持续处理多步自动化作业。
groundingLMM↳理解并响应用户关于特定图像区域查询的交互式视觉助手。
↳用于创建密集、像素级接地数据集的自动化标注工具。
↳需要视觉理解和带有分割的详细文本描述的高级图像分析任务。
FAQ
常见问题
Screenhand 和 groundingLMM 有什么区别？
Screenhand 和 groundingLMM 都属于 Vision / Multimodal 类别。Screenhand 有 15 Stars，groundingLMM 有 969 Stars。
Screenhand 和 groundingLMM 哪个更好？
最佳选择取决于你的具体需求。AI驱动的桌面应用程序UI调试和检查。 时选 Screenhand，理解并响应用户关于特定图像区域查询的交互式视觉助手。 时选 groundingLMM。
Screenhand 是免费的吗？
是的，Screenhand 在 GitHub 开源（AGPL-3.0）。
groundingLMM 是免费的吗？
是的，groundingLMM 在 GitHub 开源（Apache-2.0）。
推荐云部署
Ad在 DigitalOcean 上一键部署
为你的 MCP 服务、Docker 容器与智能体提供即开即用云服务器，新用户立享 $200 免费额度（60天有效）。
→