CogAgent能够承受1120×1120的高分辩率图象输入野生智能的三个阶段，具有视觉问答、视觉定位（Grounding）、GUI Agent等多种才能，在9个典范的图象了解榜单上（含 VQAv2，STVQA, DocVQA熟悉野生智能ppt，TextVQA熟悉野生智能ppt，MM-VET野生智能的三个阶段，POPE 等）获得了通用才能第一的成就

　　CogAgent能够承受1120×1120的高分辩率图象输入野生智能的三个阶段，具有视觉问答、视觉定位（Grounding）、GUI Agent等多种才能，在9个典范的图象了解榜单上（含 VQAv2，STVQA, DocVQA熟悉野生智能ppt，TextVQA熟悉野生智能ppt，MM-VET野生智能的三个阶段，POPE 等）获得了通用才能第一的成就。

　　该模子基于此前推出的CogVLM，经由过程视觉GUI Agent，利用视觉模态（而非文本）对GUI界面停止更片面间接的感知野生智能的三个阶段，从而作出计划和决议计划。

　　比方用户输入一张原神游戏的截图，能够讯问“当前使命中的队友是谁？”野生智能的三个阶段熟悉野生智能ppt，CogAgent会给出相干的答复。

　　比方熟悉野生智能ppt，用户输入一张关于CogVLM项目标GitHub的图片，然后讯问怎样给这个项目点“Star”，然后CogAgent就会反应出成果。