基于Qwen2.5-VL-3B-Instruct的多模态GUI智能体，通过强化学习增强在图形用户界面任务中的规划和反思能力

Qwen2.5-VL是Qwen家族的最新视觉语言模型，具备增强的视觉理解、智能体功能和长视频处理能力。

VARCO-VISION-14B 是一款强大的英韩视觉语言模型（VLM），支持图像和文本输入，生成文本输出，具备定位、引用和OCR能力。

CogVLM是一款强大的开源视觉语言模型，支持目标检测和视觉问答等任务，采用4位精度量化。