OS-ATLAS：通用图形用户界面代理的基础动作模型
原文中文，约600字，阅读约需2分钟。发表于：。本研究旨在解决当前开源视觉语言模型在图形用户界面（GUI）基础和超出分布（OOD）任务中的性能欠缺问题。提出的OS-ATLAS模型通过创新的数据和建模方法，构建了一个优秀的开源GUI动作模型，并发布了最大规模的跨平台GUI基础数据集，显著提升了在多个平台上的性能表现，这为进一步的研究奠定了坚实基础。
本文介绍了GUICourse数据集，用于训练视觉图形用户界面代理人。通过引入GUIEnv、GUIAct和GUIChat数据集，提升了视觉语言模型的OCR、定位能力及图形用户界面知识。实验结果显示，该代理人在图形用户界面任务上优于基准模型。
