待验证50% 置信事实精确时间
PawFlow 中视觉模型将屏幕截图转换为结构化语义描述，包括OCR文本、页面布局、UI控件的[x,y,w,h]像素坐标框及元素状态
1
来源数
50%
置信度
长期有效
时效性
2026/7/18
首次发现
来源
相关事实
待验证视觉模型接收每张屏幕截图并输出结构化信息，包括OCR识别文本、页面布局、UI控件的像素坐标框及元素状态82% 相似待验证PawFlow采用按图像内容哈希缓存视觉描述的策略，屏幕像素未变则哈希不变，直接命中缓存跳过视觉模型调用78% 相似待验证BuildBuddy使用多模态大语言模型的视觉理解能力来识别屏幕中的UI控件、文本标签、图标和空间布局关系72% 相似待验证定格画面功能本质上是对当前屏幕进行截图，然后以全屏方式展示在最上层，使底层动态内容被静态图像覆盖71% 相似已验证Computer Use通过多模态大模型直接查看屏幕截图来理解界面布局和内容语义，与传统RPA依赖预定义规则和固定UI元素定位的方式有本质区别70% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/555173API
curl https://kongchang.com/api/v1/knowledge/claims/555173MCP
get_claim(id=555173)