前端接口框架开发要领、系统、电子装备及存储介质-明略科技

首页明略研究前端接口框架开发要领、系统、电子装备及存储介质

前端接口框架开发要领、系统、电子装备及存储介质

2022-08-02

本发明提出一种前端接口框架开发要领、系统、电子装备及存储介质，，，，，，，其要领手艺计划包括效劳器接口开发办法，，，，，，，基于一工程，，，，，，，遵照restful接口规范开发效劳器接口层，，，，，，，所述效劳器接口层认真前端及后端接口的界说；；；；；Actioncreator开发办法，，，，，，，开发Actioncreator层，，，，，，，所述Actioncreator层对所述工程中的ajax请求和静态的DOM操作举行统一设置；；；；；Framework开发办法，，，，，，，开发Framework层，，，，，，，所述Framework层举行模�？？？？？？槭荽娲ⅰ⒆榧０宕娲ⅰ⒛？？？？？？？榧湫挛磐ㄑ叮�，，，，，，并剖析actionCreator中的设置。。。。。。本申请解决了现有前端接口框架开发要领在接口与界面的快速实现上保存未便的问题。。。。。。

一种前端接口框架开发要领，，，，，，，其特征在于，，，，，，，包括：效劳器接口开发办法，，，，，，，基于一工程，，，，，，，遵照restful接口规范开发效劳器接口层，，，，，，，所述效劳器接口层认真前端及后端接口的界说；；；；；Actioncreator开发办法，，，，，，，开发Actioncreator层，，，，，，，所述Actioncreator层对所述工程中的ajax请求和静态的DOM操作举行统一设置；；；；；Framework开发办法，，，，，，，开发Framework层，，，，，，，所述Framework层举行模�？？？？？？槭荽娲ⅰ⒆榧０宕娲ⅰ⒛？？？？？？？榧湫挛磐ㄑ叮�，，，，，，并剖析actionCreator中的设置。。。。。。

申请号：CN202110805083.1
申请（专利权）人：btt博天堂
果真日期（果真）：2021.10.22
果真日期（授权）：2022.08.02

推荐阅读

全球双榜SOTA！明略科技专有大模子 Mano开启GUI智能操作新时代

2025-09-28

明略科技推出的GUI大模子Mano在Mind2Web和OSWorld两大基准测试中取得了创纪录的SOTA效果，，，，，，，乐成率抵达40.1%。。。。。。通过在线强化学习和自动数据收罗，，，，，，，Mano为GUI智能体领域提供了可扩展的新范式，，，，，，，显著提升了重大使命的执行能力。。。。。。该手艺的突破不但推动了自动化界线的扩展，，，，，，，也为企业智能化转型提供了强有力的支持

相识更多

官宣！明略科技推出专有大模子产品线DeepMiner，，，，，，，可信商业数据剖析智能体终于能用了！

2025-09-22

明略科技推出专有大模子产品线DeepMiner，，，，，，，以“可信智能体+可信数据”双轮驱动，，，，，，，解决企业智能体落地中幻觉率高、历程不透明等痛点。。。。。。该产品通过多智能体协同架构、企业级数据整合及全流程透明化设计，，，，，，，降低幻觉率并支持知识沉淀，，，，，，，其自研Mano和Cito模子划分实现精准执行与深度推理，，，，，，，助力企业构建可信生产力。。。。。。

相识更多

明略科技 Mano Technical Report

2025-09-18

Graphical user interfaces (GUIs) are the primary medium for human-computer interaction, yet automating GUI interactions remains challenging due to the complexity of visual elements, dynamic environments, and the need for multi-step reasoning. Existing methods based on vision-language models (VLMs) often suffer from limited resolution, domain mismatch, and insufficient sequential decisionmaking capability. To address these issues, we propose Mano, a robust GUI agent built upon a multi-modal foundation model pre-trained on extensive web and computer system data. Our approach integrates a novel simulated environment for high-fidelity data generation, a three-stage training pipeline (supervised fine-tuning, offline reinforcement learning, and online reinforcement learning), and a verification module for error recovery. Mano demonstrates state-of-the-art performance on multiple GUI benchmarks, including Mind2Web and OSWorld, achieving significant improvements in success rate and operational accuracy. Our work provides new insights into the effective integration of reinforcement learning with VLMs for practical GUI agent deployment, highlighting the importance of domain-specific data, iterative training, and holistic reward design.

相识更多

上一篇：立异实践者！明略科技荣获“2023数字化转型推动力奖”

下一篇：明略科技成为中国信通院企业合规推进妄想首批成员单位

返回行业资讯