待验证50% 置信事实精确时间
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
1
来源数
50%
置信度
长期有效
时效性
2026/10/5
首次发现
来源
涉及实体
相关事实
待验证计算机使用能力依赖感知-规划-执行的Agent循环架构，核心挑战在于视觉接地（Visual Grounding）77% 相似待验证Computer Use的核心技术是GUI Grounding，即模型需要精确定位屏幕上每个可交互元素的坐标，需要像素级的空间定位能力75% 相似待验证视觉grounding（视觉定位）指模型将语言描述精准对应到图像具体区域的能力，也被称为Referring Expression Comprehension73% 相似待验证Grounding DINO通过跨模态融合模块将语言特征与视觉特征深度对齐，可根据任意文本描述定位图像中对应目标70% 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67% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/975841API
curl https://kongchang.com/api/v1/knowledge/claims/975841MCP
get_claim(id=975841)