EMNLP 2025｜vivo 等提出 DiMo-GUI：模态分治 + 动态聚焦，GUI 智能体推理时扩展的新范式

vivo互联网技术

08-26

本文提出了一种无需额外训练的GUI定位框架DiMo-GUI，通过​​逐级缩放动态聚焦​​目标区域减少视觉冗余，并​​分离文本与图标模态​​独立推理后综合评估确定目标，有效平衡多模态能力。在基准测试中性能显著提升，适用于网页导航和移动应用自动化等场景。