Inilabas ng inclusionAI ang VISTA-4B GUI grounding vision-language model
Orihinal na pamagat:inclusionAI/VISTA-4B
AI summary
Ang VISTA-4B ay isang GUI grounding model batay sa Qwen3.5-4B backbone; tumatanggap ng screenshot at natural language instruction, at naglalabas ng normalized 0-1000 coordinates. Gumamit ang pagsasanay ng view-consistent GRPO at self-verified cross-view anchoring. Sa GUI grounding benchmarks, nakakuha ang SSPro ng 64.2 (pagtaas ng 2.0 kumpara sa GRPO-4B), SSV2 ng 93.8 (pagbaba ng 0.4), OSWorld-G ng 61.2 (pagtaas ng 1.3), at OSWorld-G-R ng 69.7 (pagtaas ng 0.5). Open source na ang model sa HuggingFace; inirerekomenda ang paggamit ng prompt at pagbabalik ng coordinates sa [x,y] format.
Mahahalagang impormasyon
- Ang VISTA-4B ay isang GUI grounding model batay sa Qwen3.
- 5-4B backbone
- tumatanggap ng screenshot at natural language instruction,at naglalabas ng normalized 0-1000…
- Gumamit ang pagsasanay ng view-consistent GRPO at self-verified cross-view anchoring.
- Sa GUI grounding benchmarks,nakakuha ang SSPro ng 64.
Mabilisang tingin
- Na-publish noong
- Na-update noong
- Pinagmulan
- 蚂蚁 inclusionAI:HuggingFace 新模型
- Kategorya
- Paglabas ng modelo
- AI na marka
- 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。
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: Inilabas ng inclusionAI ang VISTA-4B GUI grounding vision-language model. 12 Hunyo 2026. https://new.nat6.net/fil/news/cmqbwmfgh05seslam0r0r80vz/