相比纯文本版本，新模型加入视觉编码器，并把视觉能力进一步用于网页编程、GUI操作、长视频处理和医疗报告理解等任务。
对于此次开源，也有海外开发者评价称，又一家中国实验室开放模型权重，在更低精度量化版本到来前直接提供BF16和FP8，“是一次相当扎实的开放”。蚂蚁称，通过原生多模态联合训练，视觉信息的引入对模型的文本能力带来了正向提升。代码运行后，模型还会查看浏览器中的实际渲染效果，把生成页面与参考图进行比较，然后继续修改代码。该模型获得1441分，排名第34，得分略高于GPT-5.4的1440分。一次操作完成后，它会重新读取页面，根据执行结果决定下一步动作。如果实际页面与预期不符，也可以重新调整操作策略。
这条信息对你有帮助吗？
