视觉大模型 / VLM

Yanyun-3: Enabling Cross-Platform Strategy Game Operation with Vision-Language Models

Yanyun-3: 通过视觉-语言模型实现跨平台战略游戏操作

Guoyan Wang, Yanyan Huang, Chunlin Chen, Lifeng Wang, Yuxiang Sun

专题命中 GUI与屏幕智能体 ：vision-language model(title)；VLM(abstract)；visual reasoning(abstract)；分类 cs.CV、cs.AI

AI总结 Yanyun-3通过整合视觉-语言模型和结构化多模态数据组织，实现了跨平台战略游戏操作的自动化，提升了任务执行效率和泛化能力。

Comments 32 pages, 13 figures

MAPS: Preserving Vision-Language Representations via Module-Wise Proximity Scheduling for Better Vision-Language-Action Generalization

MAPS: 通过模块级接近调度保留视觉-语言表示以实现更好的视觉-语言-动作泛化

Chengyue Huang, Mellon M. Zhang, Robert Azarcon, Glen Chou, Zsolt Kira

专题命中 GUI与屏幕智能体 ：vision-language model(abstract)；VLM(abstract)；分类 cs.CV、cs.AI、cs.LG

AI总结 MAPS通过模块级接近调度优化VLA微调，提升视觉-语言-动作任务的泛化能力。

MobileViews: A Million-scale and Diverse Mobile GUI Dataset

MobileViews: 一个百万级且多样化的移动GUI数据集

Longxi Gao, Li Zhang, Shihe Wang, Pengzhi Gao, Wei Liu, Jian Luan, Shangguang Wang, Yuanchun Li, Mengwei Xu

专题命中 GUI与屏幕智能体 ：VLM(abstract)；visual language model(abstract)；grounding(abstract)

AI总结 MobileViews是一个百万级移动GUI数据集，通过大规模高保真数据提升GUI定位精度，公开可用。

Comments Dataset: https://huggingface.co/datasets/mllmTeam/MobileViews

"Are We Done Yet?": A Vision-Based Judge for Autonomous Task Completion of Computer Use Agents

我们完成了吗？

Marta Sumyk, Oleksandr Kosovan

专题命中 GUI与屏幕智能体 ：vision-language model(abstract)；分类 cs.AI

AI总结 本文提出了一种基于视觉的评估机制，通过视觉-语言模型评估计算机使用代理的任务完成情况，提升了任务完成的准确性和可靠性。

Comments This work has been accepted to appear at the AAAI 2026 Workshop on Trust and Control in Agentic AI (TrustAgent)