Англоязычная vision-encoder-decoder модель Donut для поиска и идентификации элементов пользовательского интерфейса по текстовым описаниям на изображении.

Подходит для: поиск поля рядом с указанной подписью · выбор кнопки по цвету · сопоставление текстовой инструкции с элементом интерфейса