TRISHUL: Towards Region Identification and Screen Hierarchy Understanding for Large Visual Language Models
原文英文，约100词，阅读约需1分钟。
📝
内容提要
本研究提出TRISHUL框架，旨在提升基于大型视觉语言模型的图形用户界面（GUI）代理的跨数据集和跨平台泛化能力。通过层次屏幕解析和空间增强元素描述，TRISHUL实现了更全面的GUI理解，并在多个基准数据集上展现出优越性能，设立了新的标准。
🏷️
