inclusionAI/VISTA-9B: GUI grounding vision-language model na sinanay batay sa VISTA
Orihinal na pamagat:inclusionAI/VISTA-9B
AI summary
Ang VISTA-9B ay isang GUI grounding model na sinanay batay sa Qwen3.5 9B backbone; tumatanggap ng screenshot at natural language instruction, at naglalabas ng 0-1000 normalized coordinates. Gumagamit ito ng VISTA (view-consistent self-verification) method, kabilang ang view-consistent GRPO at self-verified cross-view anchoring. Nakakuha ito ng 69.2, 95.8, 68.1 at 75.5 puntos sa SSPro, SSV2, OSWorld-G at OSWorld-G-R ayon sa pagkakasunod-sunod, na lumampas sa Qwen3.5-9B at GRPO-9B baseline. Open source na ang model at maaaring i-load gamit ang HuggingFace.
Mahahalagang impormasyon
- Ang VISTA-9B ay isang GUI grounding model na sinanay batay sa Qwen3.
- 5 9B backbone
- tumatanggap ng screenshot at natural language instruction,at naglalabas ng 0-1000 normalized…
- Gumagamit ito ng VISTA (view-consistent self-verification) method,kabilang ang view-consistent…
- Nakakuha ito ng 69.
Mabilisang tingin
- Na-publish noong
- Na-update noong
- Pinagmulan
- 蚂蚁 inclusionAI:HuggingFace 新模型
- Kategorya
- Paglabas ng modelo
- AI na marka
- 71
蚂蚁 inclusionAI 的 VISTA-9B 专攻 GUI 定位,把截图和指令直接变成点击坐标,做界面自动化的开发者可以直接拿来用。训练中的视角一致性约束有点新意,但基准提升不大,更像个实干范本。
Kaugnay na Entity
Pinagmulan at copyright
Ang artikulong ito ay batay sa mga piling pamagat at AI summary mula sa pampublikong API ng AIHOT, may nakasaad na pinagmulan at backlink; ang copyright ng orihinal na teksto ay pag-aari ng orihinal na media at may-akda, hindi namin ginagaya ang buong teksto.
Paano banggitin
Kapag binabanggit ang artikulong ito, panatilihin ang pamagat, petsa at permanenteng link, at banggitin ang Orange News bilang pinagmulan.
Orange News: inclusionAI/VISTA-9B: GUI grounding vision-language model na sinanay batay sa VISTA. 12 Hunyo 2026. https://new.nat6.net/fil/news/cmqbwmfgh05sdslam91ctu2zd/