vivo 互聯(lián)網(wǎng)技術(shù)

摘要： 本文提出了一種無需額外訓(xùn)練的GUI定位框架DiMo-GUI，通過??逐級縮放動態(tài)聚焦??目標(biāo)區(qū)域減少視覺冗余，并??分離文本與圖標(biāo)模態(tài)??獨(dú)立推理后綜合評估確定目標(biāo)，有效平衡多模態(tài)能力。在基準(zhǔn)測試中性能顯著提升，適用于網(wǎng)頁導(dǎo)航和移動應(yīng)用自動化等場景。 閱讀全文