Компактная мультимодальная модель для определения координат клика по скриншоту и текстовой инструкции в сценариях автоматизации графического интерфейса.

Подходит для: поиск координат кнопки на скриншоте по текстовой команде · автоматизация кликов в графическом интерфейсе · привязка инструкции к элементу интерфейса