其他
视觉推理
时间轴 (近 90 天)
10月14日
在多模态智能体中，视觉推理指模型将页面截图转成图像 token 后逐帧解析以判断可点击元素位置的机制；一张高分辨率截图往往消耗数百至上千个图像 token，且每次页面状态变化都需重新推理。
待验证50%
10月14日
对于 UI 布局高度稳定、交互路径可枚举的网站（如连锁快餐下单、政务表单、企业内网系统），视觉定位方式属于典型的重复性浪费。
待验证50%
10月12日
视觉推理涉及隐式的中间步骤，缺乏清晰的验证方法，长期难以建模
待验证50%
10月9日
如果智能体依赖截图进行视觉推理，而画面上叠加了自己画的箭头和方框，可能形成反馈干扰，需要在渲染层做好隔离
待验证50%
10月9日
视觉语言模型回答图像问题时需要完成两件不同的事：从图像中提取相关信息（视觉推理VR）和基于提取信息推导答案（语言推理LR）
待验证50%
全部知识事实 (5)
待验证
在多模态智能体中，视觉推理指模型将页面截图转成图像 token 后逐帧解析以判断可点击元素位置的机制；一张高分辨率截图往往消耗数百至上千个图像 token，且每次页面状态变化都需重新推理。
50%待验证对于 UI 布局高度稳定、交互路径可枚举的网站（如连锁快餐下单、政务表单、企业内网系统），视觉定位方式属于典型的重复性浪费。
50%待验证视觉推理涉及隐式的中间步骤，缺乏清晰的验证方法，长期难以建模
50%待验证如果智能体依赖截图进行视觉推理，而画面上叠加了自己画的箭头和方框，可能形成反馈干扰，需要在渲染层做好隔离
50%待验证视觉语言模型回答图像问题时需要完成两件不同的事：从图像中提取相关信息（视觉推理VR）和基于提取信息推导答案（语言推理LR）
50%