# 多模态代理

GUI-Actor-7B是基于Qwen2-VL-7B-Instruct开发的视觉语言模型，专注于图形用户界面(GUI)代理任务，提供无坐标的视觉接地解决方案。

UI-TARS-1.5-7B是基于先进技术的多模态模型，在图像文本转换等任务中表现出色，采用创新的量化方法，能在极低比特率下保持较高的准确性。

Qwen2.5-VL是Qwen家族最新推出的视觉语言模型，具备强大的视觉理解和多模态处理能力，支持图像、视频分析和结构化输出。

OmniParser是一款通用屏幕解析工具，能够将UI截图解释/转换为结构化格式，以提升基于LLM的UI代理性能。

Fuyu-8B是Adept AI开发的多模态文本-图像转换器，专为数字代理设计，支持任意图像分辨率，响应迅捷且架构简洁。