像人類一樣瀏覽數位世界：適用於圖形介面代理的通用視覺基礎

本文主張賦予圖形介面代理以人類的方式感知數位世界，僅依靠視覺觀察和像素級操作，並提出了一種簡單而有效的方法來訓練通用的圖形介面視覺基礎模型，以實現這一目標。