Hypothesis

All text on the screen is rendered as pixels by the image model. There are no text overlays applied to the images.

大多数人认为屏幕上的文字是独立的文本层，可以单独编辑和搜索，但作者认为所有文本都是作为像素由图像模型渲染的，这与我们对用户界面文本处理的基本认知相悖，暗示了未来计算可能完全基于视觉而非文本。