inclusionAI lanza VISTA-4B, modelo de visión-lenguaje para localización de GUI
Título original:inclusionAI/VISTA-4B
Resumen de IA
VISTA-4B es un modelo de localización de GUI basado en el backbone Qwen3.5-4B que recibe capturas de pantalla e instrucciones en lenguaje natural y genera coordenadas normalizadas de 0 a 1000. Su entrenamiento emplea GRPO con consistencia de vistas y anclaje cruzado de vistas con autoverificación. En los benchmarks de localización de GUI, obtiene 64,2 en SSPro (2,0 más que GRPO-4B), 93,8 en SSV2 (0,4 menos), 61,2 en OSWorld-G (1,3 más) y 69,7 en OSWorld-G-R (0,5 más). El modelo está disponible en código abierto en HuggingFace y se recomienda usar el prompt y devolver coordenadas en formato [x,y].
Puntos clave
- VISTA-4B es un modelo de localización de GUI basado en el backbone Qwen3.
- 5-4B que recibe capturas de pantalla e instrucciones en lenguaje natural y genera coordenadas…
- Su entrenamiento emplea GRPO con consistencia de vistas y anclaje cruzado de vistas con…
- En los benchmarks de localización de GUI,obtiene 64,2 en SSPro (2,0 más que GRPO-4B),93,8 en SSV2…
- El modelo está disponible en código abierto en HuggingFace y se recomienda usar el prompt y…
Resumen rápido
- Publicado
- Actualizado
- Categoría
- Lanzamientos de modelos
- Puntuación IA
- 62
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。
Entidades relacionadas
Fuente y derechos
Este artículo se basa en títulos seleccionados y resúmenes de IA de la API pública de AIHOT, con atribución y enlaces de vuelta. Los derechos del original pertenecen a los medios y autores originales; este sitio no reproduce textos completos.
Cómo citar
Al citar este artículo, conserva el título, la fecha y el enlace permanente, e indica que la fuente es Orange News.
Orange News: inclusionAI lanza VISTA-4B, modelo de visión-lenguaje para localización de GUI. 12. junio 2026. https://new.nat6.net/es/news/cmqbwmfgh05seslam0r0r80vz/