UI-TARS 坐标定位总打偏?3 步找到根源并完成修复
UI-TARS 坐标定位总打偏3 步找到根源并完成修复【免费下载链接】UI-TARSPioneering Automated GUI Interaction with Native Agents项目地址: https://gitcode.com/GitHub_Trending/ui/UI-TARS你让 UI-TARS 点一下确定按钮光标却停在了旁边的取消上。整个 GUI 自动化流程都对就差最后这一击——这种偏移往往不是模型看不清而是坐标定位换算链路出了问题模型输出的坐标是在缩放后的截图上量出来的真正被点击的却是真实屏幕两者之间的换算因子对不上点击就会整体偏移。沿着仓库里的代码走一遍把换算逻辑理顺偏移点也就好找了。它是怎么看见坐标的smart_resize 分辨率适配整个坐标处理可以压缩成一句类比相当于把屏幕截图缩放到固定尺寸在缩放图上标一个点再按缩放比例换算回真实屏幕位置。模型并不会直接面对你那张 1920x1080 的原始截图。截图先经过smart_resize把任意尺寸截图缩放到模型可处理的分辨率同时保持宽高比变成宽、高都是 28 的倍数、总像素被压在合理区间内的分辨率。模型输出的坐标就是在这张缩放图上量出来的像素值。换算回真实屏幕时分两种情况Qwen2.5VL 系的模型直接输出绝对坐标按缩放图的像素量Qwen2VL 系的模型输出相对坐标0~1000 之间的归一化值。前者除以缩放后的宽高后者再除以坐标缩放因子 factor一般是 1000最终都统一成 [0,1] 的归一化坐标再乘上真实截图的宽高才得到该点击的像素位置。这条换算集中在parse_action_to_structure_output这个核心转换入口里吃模型输出的 Thought/Action 文本吐出结构化的动作和归一化坐标实现在 codes/ui_tars/action_parser.py。UI-TARS 整体架构从用户指令、截图输入到动作解析输出坐标定位是看见到点到之间的关键一环输入端的逻辑理顺了换算环节就可以亲手验证了。 动手验证 GUI 自动化点击精度你的点击到底偏没偏验证思路就三步拿模型原始输出当输入走一遍和线上完全相同的转换最后用眼睛核对落点是否在目标元素上。仓库data/目录自带示例截图不用先跑推理。第一步取模型原始输出和截图真实尺寸from PIL import Image # 仓库自带示例截图GIMP 界面 img Image.open(data/coordinate_process_image.png) width, height img.size # 截图真实分辨率1920x1080 # 模型原始输出坐标 (197, 525) 是缩放图上的像素 model_output (197, 525)第二步用smart_resize重算截图进入模型后的分辨率——这是换算的基准重算出的缩放尺寸必须和线上喂给模型的一致坐标才能反向换算回去from ui_tars.action_parser import smart_resize # 宽高对齐到 28 的倍数总像素压进 [min, max] 区间 new_height, new_width smart_resize(height, width) # 把模型输出的坐标反换算回真实屏幕像素 x int(model_output[0] / new_width * width) y int(model_output[1] / new_height * height) print(new_width, new_height, (x, y))第三步把换算后的点画回截图上肉眼验收。红点落在目标元素上说明整条链路是通的import matplotlib.pyplot as plt plt.imshow(img) # 用红点标记换算后的真实屏幕坐标 plt.scatter([x], [y], cred, s50) plt.axis(off) plt.show()仓库的 README_coordinates.md 里有这套流程的完整教程和示例图效果应该长这样红点为模型输出坐标 (197,525) 换算回真实 1920x1080 截图后的位置应正好落在目标元素上红点没落在目标上时别急着怀疑模型先排查下面三个位置。 三个最容易被忽略的偏移源坐标缩放因子没对上系统显示缩放改了截图与真实像素的对应关系现象偏移按比例出现越靠近屏幕右下角偏得越多。 根因Windows 150%、macOS 2x 这类显示缩放下截图的像素维度和 pyautogui 实际执行所处的坐标系差了一个缩放因子它恰好动了两者之间的换算关系。 修复动作显示缩放调回 100%或把最终坐标乘上系统缩放倍数。分辨率参数和真实处理的截图对不上现象同一份代码在这台机器上正常换台机器就偏。 根因传给parse_action_to_structure_output的origin_resized_height/origin_resized_width以及后续parsing_response_to_pyautogui_code的宽高不是当前这张截图的真实尺寸反算基准就错了。 修复动作调用前用width, height img.size取当前截图的真实尺寸再传进去不要写死。动态元素位置随内容漂移现象同一操作第一次成功再跑一遍就点空。 根因列表变长、弹了浮层、窗口位置变了坐标已经过期但你还在复用旧的。 修复动作每次动作前重新截图只用当前这一轮模型输出的坐标不缓存旧坐标。 跑个基准看看水平GUI 自动化点击精度有多硬换算链路确认没问题后剩下的精度上限由模型本身决定。仓库 README 里记录了公开基准的得分挑几项和找对元素点中直接相关的基准考察点UI-TARS-1.5OpenAI CUAClaude 3.7OSWorldComputer Use端到端任务成功率42.536.428ScreenSpot-V2Grounding元素定位命中率94.287.987.6ScreenSpotProGrounding复杂界面定位命中率61.623.427.7OSWorld 考的是任务能不能做完ScreenSpot 考的是元素找没找对、点没点中后者的领先幅度正是支撑前者分数的那块地基。UI-TARS 与上一代 SOTA 模型在多个 GUI 基准上的得分对比定位类基准差距最明显模型的上限决定精度天花板坐标换算链路决定你能吃到多少——总打偏时先验证换算再怀疑模型。下一步打开codes/tests/目录跑一遍 action_parser 的测试用例确认本地解析链路无误后再拿真实案例对号入座。【免费下载链接】UI-TARSPioneering Automated GUI Interaction with Native Agents项目地址: https://gitcode.com/GitHub_Trending/ui/UI-TARS创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考

相关新闻

Bytebase React 表格 Checkbox 整格点击区域设计:三种表形下的选中交互统一方案

Bytebase React 表格 Checkbox 整格点击区域设计:三种表形下的选中交互统一方案

Bytebase React 表格 Checkbox 整格点击区域设计:三种表形下的选中交互统一方案 【免费下载链接】bytebase Database governance built for humans and agents — controlling changes and access across every major database. 项目地址: https://gitcode.com/Gi…

2026/11/16 21:44:14 阅读更多 →
系统设计核心要点:从负载均衡到缓存与架构演进

系统设计核心要点:从负载均衡到缓存与架构演进

系统设计这个东西,说难不难,说简单也真不简单。我见过太多开发朋友,代码写得漂漂亮亮,一聊到“怎么设计一个支持千万级并发的系统”就卡壳。不是说他们不懂技术,而是脑子里缺一张地图——技术方案之间是什么关系、流量…

2026/11/16 21:44:14 阅读更多 →
instant-ngp在Ubuntu 20.04下的三维重建全流程实践:编译、训练到mesh导出

instant-ngp在Ubuntu 20.04下的三维重建全流程实践:编译、训练到mesh导出

做三维重建或者NeRF相关工作的朋友,应该对instant-ngp不陌生。英伟达开源的这套Instant Neural Graphics Primitives,核心突破在于把传统NeRF需要几小时甚至几天的训练压缩到了分钟级甚至秒级,配合RTX显卡,几十秒训练、实时渲染&a…

2026/11/13 5:36:36 阅读更多 →

最新新闻

Electron桌面应用开发实战:从环境搭建到打包发布全流程

Electron桌面应用开发实战:从环境搭建到打包发布全流程

做前端这些年,我大部分时间都在跟浏览器标签页打交道,直到第一次把桌面应用跑起来,才发现原来自己一直被限制在地址栏和刷新按钮围起来的框框里。Electron这个词,最开始是在某段时间频繁出现在同事的讨论里,一个用HTML…

2026/11/16 8:22:12 阅读更多 →
滑盖智能锁T109深度解析:结构原理、安装调试与故障排查

滑盖智能锁T109深度解析:结构原理、安装调试与故障排查

简介:亚太天能T109滑盖智能锁产品说明书是一份PDF格式的官方技术文档,主要面向智能锁安装人员、终端用户及售后维护者,帮助快速掌握产品安装、配置与常见故障处理。全包仅1个PDF文件,大小4.37MB,内容结构清晰&#xff…

2026/11/16 6:41:34 阅读更多 →
PMSM弱磁控制原理与Simulink建模:高速AGV驱动系统设计指南

PMSM弱磁控制原理与Simulink建模:高速AGV驱动系统设计指南

上个月我在调试一台高速AGV的驱动系统,整车要求空载跑到8m/s,电机转速已经拉到额定点,驱动器的输出电压也顶到了母线电压极限附近。再往上踩速度指令,转速纹丝不动,三相电流反而开始震荡。那会儿我的第一反应就是&…

2026/11/16 8:22:12 阅读更多 →
C++核心知识点:从内存管理到STL的实战指南

C++核心知识点:从内存管理到STL的实战指南

C 这门语言我前前后后折腾了十几年,用它写过嵌入式驱动、做过游戏服务端,也搭过基础组件库。每次看到新人一头扎进"C 核心知识点"这个搜索词,我其实挺感慨的——这门语言的难点从来不是语法多,而是知识点之间的耦合太深…

2026/11/16 8:22:12 阅读更多 →
T109滑盖智能锁怎么装?安装调试与故障排查全攻略

T109滑盖智能锁怎么装?安装调试与故障排查全攻略

简介:亚太天能T109滑盖智能锁产品说明书以PDF格式发布,适合智能锁用户、安装人员与售后维修人员阅读。内容围绕T109系列指纹密码刷卡锁展开,先介绍前面板、后面板、锁体、机械钥匙、电池盒盖等部件名称与功能,再给出完整安装步骤&…

2026/11/16 7:30:18 阅读更多 →
LLM知识降熵:从信息垄断到理解权下放

LLM知识降熵:从信息垄断到理解权下放

你有没有过这种经历:翻开源码注释、论文摘要或者一份专业报告,每个字都认识,连在一起却像天书。想找人聊聊,身边要么没人懂,要么懂的懒得跟你解释。后来我试着把同一段内容丢给一个大语言模型,几秒钟之后&a…

2026/11/16 8:22:12 阅读更多 →

日新闻

周新闻

月新闻