把屏幕截图解析成结构化元素，让纯视觉 GUI Agent 能识别界面上的按钮、图标和文本，无需依赖 DOM 或控件树。

用强化学习（GRPO）训练视觉语言模型做视觉理解，把 DeepSeek-R1 那套推理强化思路搬到多模态场景，适合研究 VLM 推理能力。

Eagle 是一系列前沿视觉语言模型，主打以数据为中心的训练策略，能看图理解并回答多模态问题，适合做图文问答和视觉理解研究。

RecA 用自监督学习让多模态模型在生成图像时借助自身的视觉理解能力，提升文生图和图像编辑的效果，可接入 ComfyUI 使用。

用高分辨率语义编码器把视觉理解与图像生成统一到一个模型里，既能读懂图片，也能做文生图和图像编辑。

把 PDF、DOCX 等文档转成适合喂给大模型的 Markdown，还能理解图表和版面，本地跑多模态模型即可完成。