用 OCR 识别屏幕内容，再通过 TypeSafe 分类下一步操作并自动点击，实现每步约 0.0002 美元的 macOS 电脑操作自动化。

开源的端到端视觉-语言-动作模型，让 GUI 智能体看懂屏幕截图并直接输出点击、输入等操作，用于自动化电脑操作。