Modellveröffentlichungen

inclusionAI veröffentlicht VISTA-4B GUI-Lokalisierungs-Vision-Language-Modell

Originaltitel:inclusionAI/VISTA-4B

KI-Zusammenfassung

VISTA-4B ist ein GUI-Lokalisierungsmodell auf Basis des Qwen3.5-4B-Backbones, das Screenshots und natürlichsprachliche Anweisungen entgegennimmt und normalisierte Koordinaten von 0 bis 1000 ausgibt. Das Training nutzt view-konsistentes GRPO und selbstverifizierende Cross-View-Verankerung. Auf GUI-Lokalisierungs-Benchmarks erreicht es 64,2 Punkte bei SSPro (2,0 mehr als GRPO-4B), 93,8 bei SSV2 (0,4 weniger), 61,2 bei OSWorld-G (1,3 mehr) und 69,7 bei OSWorld-G-R (0,5 mehr). Das Modell ist auf HuggingFace als Open Source verfügbar; empfohlen wird die Nutzung mit Prompt und Rückgabe der Koordinaten im [x,y]-Format.

Kernpunkte

  • VISTA-4B ist ein GUI-Lokalisierungsmodell auf Basis des Qwen3.
  • 5-4B-Backbones,das Screenshots und natürlichsprachliche Anweisungen entgegennimmt und…
  • Das Training nutzt view-konsistentes GRPO und selbstverifizierende Cross-View-Verankerung.
  • Auf GUI-Lokalisierungs-Benchmarks erreicht es 64,2 Punkte bei SSPro (2,0 mehr als GRPO-4B),93,8…
  • Das Modell ist auf HuggingFace als Open Source verfügbar

Auf einen Blick

Veröffentlicht
Aktualisiert
Quelle
蚂蚁 inclusionAI:HuggingFace 新模型
Kategorie
Modellveröffentlichungen
KI-Bewertung
62
Original lesen Den vollständigen Artikel bei der Originalquelle lesen
Warum es wichtig ist

蚂蚁 inclusionAI 开源了一款 GUI 定位模型,基于 Qwen3.5 微调,在接地基准上小幅提升,关键是提供了自验证训练方法,做桌面自动化的可以直接下载用。

Verwandte Entitäten

Quelle & Urheberrecht

Dieser Artikel basiert auf kuratierten Titeln und KI-Zusammenfassungen der öffentlichen AIHOT-API, mit Quellenangabe und Rückverlinkung. Das Urheberrecht am Original liegt bei den ursprünglichen Medien und Autoren; diese Seite spiegelt keine Volltexte.

Originalartikel · AIHOT-Eintrag

Zitierhinweis

Beim Zitieren dieses Artikels bitte Titel, Datum und Permalink beibehalten und Orange News als Quelle angeben.

Orange News: inclusionAI veröffentlicht VISTA-4B GUI-Lokalisierungs-Vision-Language-Modell. 12. Juni 2026. https://new.nat6.net/de/news/cmqbwmfgh05seslam0r0r80vz/

Alle ansehen →