但这些方法无法规模化，别的，例如“523。

417.” 先前的研究为坐标发明了专门的位置词汇， 团队在凌驾 4000 万个数据样本长进行了训练。

团队还发现，。

并结合用于指令规划的更大语言模型，波宝官网，旨在解决“AI 应该在计算机屏幕上点击哪里”的问题，微软最近开源了 Phi-Ground 模型家族，tronlink钱包官网，诸如 DPO 之类的强化学习方法在微调之后仍能提高准确率，并发现学术论文中使用的三种常见训练技术在规模化时变得无效，在 Showdown 基准测试中凌驾了 OpenAI Operator 和 Claude Computer Use 的点击准确率，将文本指令放在图像之前可以提升性能，因为模型在处理惩罚像素时能够识别目标，该 40 亿参数版本， 据 Beating 称，关键思路证明很简单：以通例数字输出坐标， 。

并在包罗 ScreenSpot-Pro 在内的五项评估中位列所有 100 亿以下参数模型的第一名。