Мультимодальная модель для оценки вариантов действий и выбора следующего клика по скриншоту или текстовому состоянию интерфейса.
Подходит для: выбор цели клика на скриншоте интерфейса · оценка вероятностей для предложенных действий компьютерного агента · ответы yes/no на вопросы о состоянии интерфейса