# 多模態代理

GUI-Actor-7B是基於Qwen2-VL-7B-Instruct開發的視覺語言模型，專注於圖形用戶界面(GUI)代理任務，提供無座標的視覺接地解決方案。

UI-TARS-1.5-7B是基於先進技術的多模態模型，在圖像文本轉換等任務中表現出色，採用創新的量化方法，能在極低比特率下保持較高的準確性。

Qwen2.5-VL是Qwen家族最新推出的視覺語言模型，具備強大的視覺理解和多模態處理能力，支持圖像、視頻分析和結構化輸出。

OmniParser是一款通用屏幕解析工具，能夠將UI截圖解釋/轉換為結構化格式，以提升基於LLM的UI代理性能。

Fuyu-8B是Adept AI開發的多模態文本-圖像轉換器，專為數字代理設計，支持任意圖像分辨率，響應迅捷且架構簡潔。