Skyvern项目v0.1.75版本发布:自动化流程与交互能力的全面升级
Skyvern是一个基于AI的自动化流程处理平台,它能够模拟人类操作网页的行为,完成各种复杂的自动化任务。该项目通过智能化的方式处理网页交互、表单填写、数据提取等工作,大大提升了自动化流程的效率和可靠性。
核心功能改进
日期输入与表单处理优化
本次更新重点修复了日期输入相关的bug,确保系统能够准确识别和处理各种日期格式。同时改进了表单填写功能,特别是针对电话号码等特定格式的输入字段,新增了格式校验机制,防止因格式错误导致的操作失败。
交互能力扩展
新版本增加了对更多动作类型的支持,包括键盘按键(keypress)和页面滚动(scroll)操作。这使得自动化流程能够模拟更丰富的人类交互行为,处理更复杂的网页场景。特别是对于需要键盘输入或长页面浏览的任务,这一改进显著提升了系统的适用性。
性能与稳定性提升
在底层架构方面,开发团队优化了DOM监听机制,增加了最大限制以防止资源过度消耗。同时改进了增量树获取逻辑,不再需要等待完整加载,提高了处理效率。这些改进使得系统在长时间运行和高负载情况下表现更加稳定。
集成与扩展能力
CUA集成支持
本次更新引入了与CUA(假设为某种外部服务)的集成能力,并能够将CUA的使用成本记录到任务步骤中。这种深度集成扩展了Skyvern的生态系统,使其能够与其他专业服务无缝协作。
错误处理与日志增强
错误处理机制得到了加强,现在会记录完整的堆栈轨迹信息,配合页面抓取信息(scrapeinfo)一起提供更全面的调试数据。这对于开发者和运维人员排查问题非常有帮助。
开发者体验改进
SDK方面同步更新至v0.1.75版本,修复了TaskRunResponse中的run_type问题,确保API响应数据的准确性。同时改进了文档,特别是针对Task V2的相关说明更加清晰完整。
总结
Skyvern v0.1.75版本在核心功能、交互能力、系统稳定性以及外部集成等方面都做出了重要改进。这些变化使得平台能够处理更复杂的自动化场景,提供更可靠的执行结果,同时也为开发者提供了更好的工具和支持。特别是新增的动作类型支持和CUA集成,为高级自动化应用场景开辟了新的可能性。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00