Buchumschlag

InfantAgent-Next: A Multimodal Generalist Agent for Automated Computer Interaction

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Lei, Bin, Kang, Weitai, Zhang, Zijian, Chen, Winson, Xie, Xi, Zuo, Shan, Xie, Mimi, Payani, Ali, Hong, Mingyi, Yan, Yan, Ding, Caiwen
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

MACM: Utilizing a Multi-Agent System for Condition Mining in Solving Complex Mathematical Problems
von: Lei, Bin, et al.
Veröffentlicht: (2024)

StitchCUDA: An Automated Multi-Agents End-to-End GPU Programing Framework with Rubric-based Agentic Reinforcement Learning
von: Li, Shiyang, et al.
Veröffentlicht: (2026)

GuirlVG: Incentivize GUI Visual Grounding via Empirical Exploration on Reinforcement Learning
von: Kang, Weitai, et al.
Veröffentlicht: (2025)

\textsc{GUI-Spotlight}: Adaptive Iterative Focus Refinement for Enhanced GUI Visual Grounding
von: Lei, Bin, et al.
Veröffentlicht: (2025)

CudaForge: An Agent Framework with Hardware Feedback for CUDA Kernel Optimization
von: Zhang, Zijian, et al.
Veröffentlicht: (2025)

Observer-Based Data-Driven Consensus Control for Nonlinear Multi-Agent Systems against DoS and FDI attacks
von: Zhang, Yi, et al.
Veröffentlicht: (2025)

CUDAHercules: Benchmarking Hardware-Aware Expert-level CUDA Optimization for LLMs
von: Li, Shiyang, et al.
Veröffentlicht: (2026)

AgentSynth: Scalable Task Generation for Generalist Computer-Use Agents
von: Xie, Jingxu, et al.
Veröffentlicht: (2025)

Infant Agent: A Tool-Integrated, Logic-Driven Agent with Cost-Effective API Usage
von: Lei, Bin, et al.
Veröffentlicht: (2024)

AgentStore: Scalable Integration of Heterogeneous Agents As Specialized Generalist Computer Assistant
von: Jia, Chengyou, et al.
Veröffentlicht: (2024)

ExpVG: Investigating the Design Space of Visual Grounding in Multimodal Large Language Model
von: Kang, Weitai, et al.
Veröffentlicht: (2025)

Scaling Generalist Data-Analytic Agents
von: Qiao, Shuofei, et al.
Veröffentlicht: (2025)

Token Transformation Matters: Towards Faithful Post-hoc Explanation for Vision Transformer
von: Wu, Junyi, et al.
Veröffentlicht: (2024)

Fortran2CPP: Automating Fortran-to-C++ Translation using LLMs via Multi-Turn Dialogue and Dual-Agent Integration
von: Chen, Le, et al.
Veröffentlicht: (2024)

RTop-K: Ultra-Fast Row-Wise Top-K Selection for Neural Network Acceleration on GPUs
von: Xie, Xi, et al.
Veröffentlicht: (2024)

PresentAgent-2: Towards Generalist Multimodal Presentation Agents
von: Wu, Wei, et al.
Veröffentlicht: (2026)

OS-Symphony: A Holistic Framework for Robust and Generalist Computer-Using Agent
von: Yang, Bowen, et al.
Veröffentlicht: (2026)

InfiGUIAgent: A Multimodal Generalist GUI Agent with Native Reasoning and Reflection
von: Liu, Yuhang, et al.
Veröffentlicht: (2025)

SegVG: Transferring Object Bounding Box to Segmentation for Visual Grounding
von: Kang, Weitai, et al.
Veröffentlicht: (2024)

ACTRESS: Active Retraining for Semi-supervised Visual Grounding
von: Kang, Weitai, et al.
Veröffentlicht: (2024)

OS-Copilot: Towards Generalist Computer Agents with Self-Improvement
von: Wu, Zhiyong, et al.
Veröffentlicht: (2024)

Coding Agents with Multimodal Browsing are Generalist Problem Solvers
von: Soni, Aditya Bharat, et al.
Veröffentlicht: (2025)

DR-MMSearchAgent: Deepening Reasoning in Multimodal Search Agents
von: Wang, Shengqin, et al.
Veröffentlicht: (2026)

Towards Enterprise-Ready Computer Using Generalist Agent
von: Marreed, Sami, et al.
Veröffentlicht: (2025)

FHE-Agent: Automating CKKS Configuration for Practical Encrypted Inference via an LLM-Guided Agentic Framework
von: Xu, Nuo, et al.
Veröffentlicht: (2025)

Agent S2: A Compositional Generalist-Specialist Framework for Computer Use Agents
von: Agashe, Saaket, et al.
Veröffentlicht: (2025)

An Embodied Generalist Agent in 3D World
von: Huang, Jiangyong, et al.
Veröffentlicht: (2023)

AdaPI: Facilitating DNN Model Adaptivity for Efficient Private Inference in Edge Computing
von: Zhou, Tong, et al.
Veröffentlicht: (2024)

From Multimodal LLMs to Generalist Embodied Agents: Methods and Lessons
von: Szot, Andrew, et al.
Veröffentlicht: (2024)

Game-TARS: Pretrained Foundation Models for Scalable Generalist Multimodal Game Agents
von: Wang, Zihao, et al.
Veröffentlicht: (2025)

On the Faithfulness of Vision Transformer Explanations
von: Wu, Junyi, et al.
Veröffentlicht: (2024)

Visual Grounding with Attention-Driven Constraint Balancing
von: Kang, Weitai, et al.
Veröffentlicht: (2024)

Robin3D: Improving 3D Large Language Model via Robust Instruction Tuning
von: Kang, Weitai, et al.
Veröffentlicht: (2024)

Software as Content: Dynamic Applications as the Human-Agent Interaction Layer
von: Xie, Mulong, et al.
Veröffentlicht: (2026)

Governance by Construction for Generalist Agents
von: Shlomov, Segev, et al.
Veröffentlicht: (2026)

A Generalist Hanabi Agent
von: Sudhakar, Arjun V, et al.
Veröffentlicht: (2025)

ProMMSearchAgent: A Generalizable Multimodal Search Agent Trained with Process-Oriented Rewards
von: Yan, Wentao, et al.
Veröffentlicht: (2026)

Towards Hierarchical Multi-Agent Workflows for Zero-Shot Prompt Optimization
von: Liu, Yuchi, et al.
Veröffentlicht: (2024)

UniVA: Universal Video Agent towards Open-Source Next-Generation Video Generalist
von: Liang, Zhengyang, et al.
Veröffentlicht: (2025)

SheetAgent: Towards A Generalist Agent for Spreadsheet Reasoning and Manipulation via Large Language Models
von: Chen, Yibin, et al.
Veröffentlicht: (2024)