让 AI 替你操作浏览器，难点不只是“看见”网页，还要认出按钮和输入框，并按目标决定下一步。Reddit 发帖者用约 5 万张浏览器截图，微调 LFM2.5-VL-450M——一个能同时理解图片和文字、规模为 4.5 亿参数的视觉语言模型（VLM），把它训练成会点击、输入的 GUI Agent。
最值得看的是小模型的提升幅度：帖子标题称，模型在 100 个留出的浏览器截图测试案例中，成绩从 1/100 升到 44/100。这里采用“严格通过”口径，即一个案例的全部判定条件都满足才算通过，比只看某个动作是否正确更苛刻。换句话说，通用小模型未必天然会操作界面，但少量针对性训练仍可能释放很大空间。
不过，这只是发帖者在自建基准上的自报结果；案例也不一定等同于完整的多步骤浏览器任务，现有材料没有披露训练细节或外部基准成绩。