Computer Use 桌面 GUI 控制

电脑使用与图形界面控制智能体 (Computer Use / OS & GUI Agent，如 Anthropic Claude 3.5 Sonnet Computer Use API, OS-World) 是一种通过直接观察计算机屏幕截图、解析视觉 UI 元素并直接向操作系统发送鼠标移动、点击、拖拽、键盘输入与快捷键指令来完成全自动桌面操作的多模态 Agent 范式；其主循环包含：1) 捕获当前屏幕高清截图；2) 多模态视觉模型 (VLM) 定位目标 UI 控件像素坐标 $(x, y)$；3) 规划并输出结构化操作系统动作指令；4) 操作系统通过 `pyautogui` / X11 虚拟显示服务执行动作，随后再次截图观察确认。

缺乏开放 API 的传统桌面老旧软件自动化、跨网页多步骤复杂表单填报、端到端 UI 自动化测试以及自动化办公。

绝大多数工业软件、政府系统与桌面应用缺乏结构化 API 接口，传统爬虫与 RPA 极易因前端 DOM 改版而脆弱崩溃；Computer Use 以人类视角直接操作像素与屏幕，实现了万能通用的跨软件自动化操纵。

详细剖析 VLM 在全高清屏幕 (1920x1080) 截图上进行像素坐标归一化对齐与高精度视觉定位 (Visual Grounding) 的原理？

Set-of-Mark (SoM) 视觉标记技术如何通过在屏幕元素上预先叠加数字编号方框大幅提升模型点击准确率并降低 Token 消耗？

为了保证系统安全，Computer Use 沙箱必须隔离的敏感权限（防恶意点击转账、防命令终端注入、严格网络代理过滤）有哪些？

面对页面加载缓慢 (Network Lag) 或动态弹窗打断时，Agent 的等待重试与动态状态校验策略？

OS-World 与 WebArena 等权威基准评测体系对 GUI Agent 在端到端长链条操作系统任务上的评估指标？