AI 大模型

视觉大模型 / VLM

视觉语言模型、视觉推理、视觉问答、图文理解和视觉 grounding。

2025-10-23 至 2025-10-23 共收录 4 篇信号源：cs.CV, cs.AI, cs.LG

1. GUI与屏幕智能体 4 篇

2510.19245 2025-10-23 cs.CY cs.AI cs.HC cs.LG cs.MM 81%

See, Think, Act: Online Shopper Behavior Simulation with VLM Agents

Yimeng Zhang, Jiri Gesi, Ran Xue, Tian Wang, Ziyi Wang, Yuxuan Lu, Sinong Zhan, Huimin Zeng, Qingjun Cui, Yufan Guo, Jing Huang, Mubarak Shah, Dakuo Wang

机构 * Michigan State University（密歇根州立大学）； Amazon（亚马逊）； Northeastern University（东北大学）； Northwestern University（西北大学）； University of Central Florida（佛罗里达中央大学）

专题命中 GUI与屏幕智能体：VLM(title)；grounding(abstract)；分类 cs.AI、cs.LG

2510.19336 2025-10-23 cs.CV 70%

DaMo: Data Mixing Optimizer in Fine-tuning Multimodal LLMs for Mobile Phone Agents

Kai Shi, Jun Yang, Ni Yang, Binqiang Pan, Qingsong Xie, Chao Zhang, Zhenyu Yang, Tianhuang Su, Haonan Lu

机构 * OPPO AI Center（OPPO人工智能中心）

专题命中 GUI与屏幕智能体：multimodal large language model(abstract)；MLLM(abstract)；分类 cs.CV

2510.19488 2025-10-23 cs.CL cs.AI cs.LG 62%

VideoAgentTrek: Computer Use Pretraining from Unlabeled Videos

Dunjie Lu, Yiheng Xu, Junli Wang, Haoyuan Wu, Xinyuan Wang, Zekun Wang, Junlin Yang, Hongjin Su, Jixuan Chen, Junda Chen, Yuchen Mao, Jingren Zhou, Junyang Lin, Binyuan Hui, Tao Yu

机构 * The University of Hong Kong（香港大学）； Qwen Team, Alibaba Group（阿里巴巴集团Qwen团队）

专题命中 GUI与屏幕智能体：grounding(abstract)；分类 cs.AI、cs.LG

Comments 8 pages, 6 figures

2510.19752 2025-10-23 cs.RO cs.AI 57%

Learning Affordances at Inference-Time for Vision-Language-Action Models

Ameesh Shah, William Chen, Adwait Godbole, Federico Mora, Sanjit A. Seshia, Sergey Levine

机构 * UC Berkeley（伯克利大学）； Physical Intelligence（物理智能）

专题命中 GUI与屏幕智能体：VLM(abstract)；分类 cs.AI

Comments 7 pages and appendix