Tag · 1 篇
Towards GUI Agents: Vision-Language Diffusion Models for GUI Grounding
将离散扩散视觉语言模型（如 LLaDA-V）用于 GUI 视觉定位任务，提出线性与确定性混合的掩码调度以捕捉边界框的层次几何结构，为视觉定位提供了一种非自回归的并行生成范式。