Aria-UIは、GUI指示の視覚的ローカリゼーション用に設計された大規模な多様なモダリティモデルです。補助入力に依存せず、純粋に視覚的なアプローチを採用することで、多様な計画指示に適応し、多様で高品質な指示サンプルを合成することにより、様々なタスクに対応します。Aria-UIは、オフラインおよびオンラインのエージェントベンチマークテストで、視覚のみとAXTreeに依存するベースラインを上回り、新たな最高記録を樹立しました。