Buchumschlag

DeskVision: Large Scale Desktop Region Captioning for Advanced GUI Agents

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Xu, Yibin, Yang, Liang, Chen, Hao, Wang, Hua, Chen, Zhi, Tang, Yaohua
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Computation and Language
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

URPO: A Unified Reward & Policy Optimization Framework for Large Language Models
von: Lu, Songshuo, et al.
Veröffentlicht: (2025)

SEKI: Self-Evolution and Knowledge Inspiration based Neural Architecture Search via Large Language Models
von: Cai, Zicheng, et al.
Veröffentlicht: (2025)

UI-Vision: A Desktop-centric GUI Benchmark for Visual Perception and Interaction
von: Nayak, Shravan, et al.
Veröffentlicht: (2025)

WinDeskGround: A Benchmark for Robust GUI Grounding in Complex Multi-Window Desktop Environments
von: Zhao, Haoren, et al.
Veröffentlicht: (2026)

TurboRAG: Accelerating Retrieval-Augmented Generation with Precomputed KV Caches for Chunked Text
von: Lu, Songshuo, et al.
Veröffentlicht: (2024)

LiteGUI: Distilling Compact GUI Agents with Reinforcement Learning
von: Wu, Yubin, et al.
Veröffentlicht: (2026)

DiaDem: Advancing Dialogue Descriptions in Audiovisual Video Captioning for Multimodal Large Language Models
von: Chen, Xinlong, et al.
Veröffentlicht: (2026)

Aguvis: Unified Pure Vision Agents for Autonomous GUI Interaction
von: Xu, Yiheng, et al.
Veröffentlicht: (2024)

Video2GUI: Synthesizing Large-Scale Interaction Trajectories for Generalized GUI Agent Pretraining
von: Xiong, Weimin, et al.
Veröffentlicht: (2026)

StableGS: A Floater-Free Framework for 3D Gaussian Splatting
von: Wang, Luchao, et al.
Veröffentlicht: (2025)

History-Aware Reasoning for GUI Agents
von: Wang, Ziwei, et al.
Veröffentlicht: (2025)

GUI-R1 : A Generalist R1-Style Vision-Language Action Model For GUI Agents
von: Luo, Run, et al.
Veröffentlicht: (2025)

Understanding GUI Agent Localization Biases through Logit Sharpness
von: Tao, Xingjian, et al.
Veröffentlicht: (2025)

META-GUI: Towards Multi-modal Conversational Agents on Mobile GUI
von: Sun, Liangtai, et al.
Veröffentlicht: (2022)

MobileGUI-RL: Advancing Mobile GUI Agent through Reinforcement Learning in Online Environment
von: Shi, Yucheng, et al.
Veröffentlicht: (2025)

MMBench-GUI: Hierarchical Multi-Platform Evaluation Framework for GUI Agents
von: Wang, Xuehui, et al.
Veröffentlicht: (2025)

InfiGUI-R1: Advancing Multimodal GUI Agents from Reactive Actors to Deliberative Reasoners
von: Liu, Yuhang, et al.
Veröffentlicht: (2025)

GUICourse: From General Vision Language Models to Versatile GUI Agents
von: Chen, Wentong, et al.
Veröffentlicht: (2024)

Round Attention: A Novel Round-Level Attention Mechanism to Accelerate LLM Inference
von: Tang, Yaohua, et al.
Veröffentlicht: (2025)

OmniParser for Pure Vision Based GUI Agent
von: Lu, Yadong, et al.
Veröffentlicht: (2024)

RSCC: A Large-Scale Remote Sensing Change Caption Dataset for Disaster Events
von: Chen, Zhenyuan, et al.
Veröffentlicht: (2025)

GUI-Libra: Training Native GUI Agents to Reason and Act with Action-aware Supervision and Partially Verifiable RL
von: Yang, Rui, et al.
Veröffentlicht: (2026)

UI-TARS-2 Technical Report: Advancing GUI Agent with Multi-Turn Reinforcement Learning
von: Wang, Haoming, et al.
Veröffentlicht: (2025)

UI-E2I-Synth: Advancing GUI Grounding with Large-Scale Instruction Synthesis
von: Liu, Xinyi, et al.
Veröffentlicht: (2025)

GUI-CIDER: Mid-training GUI Agents via Causal Internalization and Density-aware Exemplar Reselection
von: Wu, Zheng, et al.
Veröffentlicht: (2026)

VLFeedback: A Large-Scale AI Feedback Dataset for Large Vision-Language Models Alignment
von: Li, Lei, et al.
Veröffentlicht: (2024)

InfiGUI-G1: Advancing GUI Grounding with Adaptive Exploration Policy Optimization
von: Liu, Yuhang, et al.
Veröffentlicht: (2025)

OS-ATLAS: A Foundation Action Model for Generalist GUI Agents
von: Wu, Zhiyong, et al.
Veröffentlicht: (2024)

Purging the Gray Zone: Latent-Geometric Denoising for Precise Knowledge Boundary Awareness
von: An, Hao, et al.
Veröffentlicht: (2026)

Recovering Policy-Induced Errors: Benchmarking and Trajectory Synthesis for Robust GUI Agents
von: Bu, Tianpeng, et al.
Veröffentlicht: (2026)

ShowUI: One Vision-Language-Action Model for GUI Visual Agent
von: Lin, Kevin Qinghong, et al.
Veröffentlicht: (2024)

GUI-Actor: Coordinate-Free Visual Grounding for GUI Agents
von: Wu, Qianhui, et al.
Veröffentlicht: (2025)

SynthVLM: Towards High-Quality and Efficient Synthesis of Image-Caption Datasets for Vision-Language Models
von: Liu, Zheng, et al.
Veröffentlicht: (2024)

Mobile-Agent-v3.5: Multi-platform Fundamental GUI Agents
von: Xu, Haiyang, et al.
Veröffentlicht: (2026)

Co-EPG: A Framework for Co-Evolution of Planning and Grounding in Autonomous GUI Agents
von: Zhao, Yuan, et al.
Veröffentlicht: (2025)

UI-AGILE: Advancing GUI Agents with Effective Reinforcement Learning and Precise Inference-Time Grounding
von: Lian, Shuquan, et al.
Veröffentlicht: (2025)

A Prompt-driven Task Planning Method for Multi-drones based on Large Language Model
von: Liu, Yaohua
Veröffentlicht: (2024)

LLMsPark: A Benchmark for Evaluating Large Language Models in Strategic Gaming Contexts
von: Chen, Junhao, et al.
Veröffentlicht: (2025)

A Survey on (M)LLM-Based GUI Agents
von: Tang, Fei, et al.
Veröffentlicht: (2025)

GUI-KV: Efficient GUI Agents via KV Cache with Spatio-Temporal Awareness
von: Huang, Kung-Hsiang, et al.
Veröffentlicht: (2025)