#多模态

GUI-Lens：让现成 视觉语言模型（VLM，Vision-Language Model） 通过由粗到细裁剪实现精准 GUI 定位

GUI-Lens 提出一种由粗到细的 GUI 定位框架，让通用视觉语言模型（VLM，Vision-Language Model）通过主动视觉观察逐步确定点击目标，在 ScreenSpot-Pro 上的准确率最高达到直接定位的 9.3 倍。