Computer Use

找到 2 篇关于此标签的文章

4.5亿参数小模型看懂浏览器屏幕：1%到44%说明垂直微调更划算

Reddit 开发者用 5 万张浏览器截图微调 4.5 亿参数的视觉语言模型，屏幕问答准确率从 1% 跳到 44%。值得关心的是：Agent 落地的瓶颈可能不是参数够不够大，而是有没有针对真实界面做专项训练。

至少三条 Computer Use 路线已经清晰：云端大模型、本地部署和系统原生集成。值得关心的是，它不是“更高级的 RPA”，而是在没有 API、流程常变的场景里，让 AI 开始像人一样直接操作电脑。