让智能体（Agent）自主操作图形用户界面（GUI）是实现通用人工智能的关键一步。但现有方案大多依赖文本表示与模块化框架，存在平台兼容性差、泛化能力弱以及需大量人工指导的问题；而端到端GUI智能体模型面临 GUI ...