arXiv 2026年10月6日该工作提出 ReLaViS，把 GUI 定位表述为单次模型交互内的循环隐式视觉搜索：每步由空间搜索头用隐藏状态查询截图的视觉 token 生成空间搜索分布，再据此聚合视觉 token 得到隐式视觉证据并回灌为下一步输入嵌入，同时用扁平元素标注构造 GUI 感知的由粗到细轨迹进行监督；基于 Qwen2.5-VL-7B，它在五个基准上均优于匹配的单步基线，ScreenSpot-Pro 准确率从 53.2% 提升到 56.3%，推理 FLOPs 仅增加 3.5%。该工作提出 ReLaViS，把 GUI 定位表述为单次模型交互内的循环隐式视觉搜索：每步由空间搜索头用隐藏状态查询截图的视觉 token 生成空间搜索分布，再据此聚合视觉 token 得到隐式视觉证据并回灌为下一步输入嵌入，同时用扁平元素标注构造 GUI 感知的由粗到细轨迹进行监督；基于 Qwen2.5-VL-7B，它在五个基准上均优于匹配的单步基线，ScreenSpot-Pro 准确率从 53.2% 提升到 56.3%，推理 FLOPs 仅增加 3.5%。ReLaViS 用单轮循环隐式视觉搜索把 ScreenSpot-Pro 定位准确率提升 3.1 个百分点至 56.3%该工作提出 ReLaViS，把 GUI 定位表述为单次模型交互内的循环隐式视觉搜索：每步由空间搜索头用隐藏状态查询截图的视觉 token 生成空间搜索分布，再据此聚合视觉 token 得到隐式视觉证据并回灌为下一步输入嵌入，同时用扁平元素标注构造 GUI 感知的由粗到细轨迹进行监督；基于 Qwen2.5-VL-7B，它在五个基准上均优于匹配的单步基线，ScreenSpot-Pro 准确率从 53.2% 提升到 56.3%，推理 FLOPs 仅增加 3.5%。该工作提出 ReLaViS，把 GUI 定位表述为单次模型交互内的循环隐式视觉搜索：每步由空间搜索头用隐藏状态查询截图的视觉 token 生成空间搜索分布，再据此聚合视觉 token 得到隐式视觉证据并回灌为下一步输入嵌入，同时用扁平元素标注构造 GUI 感知的由粗到细轨迹进行监督；基于 Qwen2.5-VL-7B，它在五个基准上均优于匹配的单步基线，ScreenSpot-Pro 准确率从 53.2% 提升到 56.3%，推理 FLOPs 仅增加 3.5%。