MMBench-GUI

InnerZoom框架在单次前向传播中实现SOTA GUI基础定位 · 跟踪3个来源

研究人员开发了InnerZoom，一个新颖的框架，用于在单次前向传播中实现准确高效的GUI基础定位。该方法通过在解码器层之间保留目标区域感知来解决现有多模态大语言模型（MLLM）方法的局限性，这对于GUI交互中精确坐标的生成至关重要。InnerZoom在多个基准测试中取得了最先进的性能，在提高精度的同时降低了计算成本和延迟。