MintAct：把界面定位、跨端导航与视觉工具调用收进一个视觉智能体
MintAct 提出 2B、4B、8B 三档视觉语言模型家族，用共享的截图观测与像素坐标空间、按域提示词切换的动作集、以及跨域均衡混合，把 UI 定位、移动端/桌面/网页多步导航和视觉工具调用统一到同一套权重中，并配套可承载数百并发实例的异步强化学习基础设施，在 OSWorld-Verified 上达到 48.9、Online-Mind2Web 上 39.1、AndroidWorld 上 67.0，与同规模单域专家模型相当或更优。