8B 参数也能点准专业软件:GroundGUI 用 58.6 万张截图和两段式训练追平闭源数据模型
GUI 智能体要把一句指令落到屏幕上的具体像素,而高质量跨平台标注数据一直稀缺。GroundGUI 同时放出 ScreenRef 数据集(58.6 万张截图、63.3 万条指代表达,覆盖桌面、网页与移动端)和两段式训练方法 D2RL:先让带真值框的教师模型在学生自己的输出上做逐 token 蒸馏,再用 RLOO 强化学习优化点击奖励。以 Qwen3-VL-8B-Instruct 为底座训练出的 GroundGUI-8B 在 ScreenSpot-V2 上达到 95.2%,在专业高分辨率基准 ScreenSpot-Pro 上达到 63.9%。