待验证50% 置信观点精确时间
ilse的定位是可视化层与代码层之间的中间件，通过指向式交互将空间位置映射到代码位置，降低开发者描述界面位置的沟通成本
1
来源数
50%
置信度
长期有效
时效性
2026/10/30
首次发现
来源
涉及实体
相关事实
待验证动作目标定位（grounding）指将自然语言指令映射到具体视觉元素坐标的能力，是计算机操作智能体的核心瓶颈之一69% 相似待验证工程实践中两种界面理解方式常结合使用：能用API读取的优先读取，无法解析的区域回退到截图加视觉推理69% 相似待验证边界框布局控制通过区域掩码与位置嵌入将文本加坐标描述注入扩散模型，不依赖参考图像，与 ControlNet 的深度图/边缘图引导机制不同。68% 相似待验证视觉定位在学术上通常分为几个层级：Referring Expression Comprehension（指代理解）要求模型根据一句话定位单个目标；Phrase Grounding（短语定位）需要把句子拆成多个短语并分别对应到图像区域；Dense Grounding（密集定位）则要求对图中尽可能多的物体逐一给出边界框和标签67% 相似待验证从有图到无图是架构级重构：无图方案下感知模块大幅扩大边界并包含地图定位，与规划紧耦合66% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1116398API
curl https://kongchang.com/api/v1/knowledge/claims/1116398MCP
get_claim(id=1116398)