GUI-Primitives：诊断视觉语言 GUI 定位中的空间推理失败

英文标题：GUI-Primitives: Diagnosing Spatial Reasoning Failures in Vision-Language GUI Grounding

GUI-Primitives 是一项用于评估视觉语言模型 GUI 定位能力的新基准，包含 994 个测试条目。该研究聚焦于计算机操作 Agent 如何根据自然语言指令和截图定位界面元素。现有基准难以单独判断模型是否能将关系性语言正确绑定到目标元素，而 GUI-Primitives 旨在隔离并诊断这类空间推理失败。该基准可帮助开发者更准确地评估和改进 GUI Agent 的视觉理解与界面交互可靠性。

2.1 KB 640 B 612 B 380 B 9.1 KB 32.7 KB 22.8 KB 24.2 KB 34.7 KB