待验证50% 置信观点精确时间
基于视觉语言模型的新一代GUI Agent理论上能像人类一样看懂任意界面并根据语义目标决定操作，具备更强鲁棒性和跨应用泛化能力
1
来源数
50%
置信度
长期有效
时效性
2026/9/13
首次发现
来源
涉及实体
相关事实
待验证Computer-use能力允许Agent直接操控桌面GUI界面，是Anthropic基于Claude模型视觉理解能力构建的差异化特性79% 相似待验证Computer Use Agent的核心技术依赖于多模态大语言模型的视觉理解能力，通过截图-分析-执行的循环机制工作78% 相似待验证Computer Agent结合了API级别操控和基于视觉的操控两种技术路径74% 相似待验证Agent的感知模块处理多模态输入，包括文本、图像、音频等，本质上是多模态技术的应用74% 相似待验证GUI Agent（能理解屏幕截图并生成鼠标键盘操作指令）是Anthropic Claude、OpenAI Operator等产品竞相布局的核心能力74% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/919461API
curl https://kongchang.com/api/v1/knowledge/claims/919461MCP
get_claim(id=919461)