视觉 transformer

ScreenAgent是一个由吉林大学人工智能学院的研究团队开发的计算机控制智能体，该智能体是基于视觉语言模型（VLM）构建的，能够与真实计算机屏幕进行交互。ScreenAgent的核心功能是通过观察屏幕截图，并输出相应的鼠...