待验证50% 置信权衡取舍精确时间
GUI Agent的感知方式分为视觉感知派（以截图为输入借助多模态大模型）和结构感知派（解析DOM树或Accessibility Tree），前者泛化能力强但延迟高，后者速度快定位精准但依赖页面语义标注质量
1
来源数
50%
置信度
长期有效
时效性
2026/7/7
首次发现
来源
阿里开源Page-Agent：自然语言操控网页的Web智能体
githubGitHub Trending2026/7/5
相关事实
待验证学术界将 GUI Agent 的感知方式分为视觉感知派（借助多模态大模型如 GPT-4V、Claude 3 进行像素级理解）和结构感知派（解析 DOM 树或 Accessibility Tree）两大流派84% 相似待验证将界面截图与文字描述一并输入支持图文理解的大模型进行「多模态调试」，效率往往高于搜索引擎翻文档71% 相似待验证纯视觉方案具有更强的通用性（任何能截图的界面都可处理），但精度依赖模型视觉能力且推理成本更高68% 相似待验证解决细粒度视觉识别近邻歧义的主流技术路径包括注意力机制、部件检测网络和度量学习64% 相似待验证感知智能以ImageNet竞赛催生的卷积神经网络为代表，包括图像识别和语音识别64% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/129563API
curl https://kongchang.com/api/v1/knowledge/claims/129563MCP
get_claim(id=129563)