本研究提出了Aguvis，一个基于纯视觉的框架，旨在解决自动化图形用户界面（GUI）任务的复杂性和可变性。Aguvis能够跨平台操作，通过图像观察和自然语言指令实现自主交互，实验证明其在多种场景中优于现有技术，标志着自主纯视觉GUI代理的成功应用。