inclusionAI、GUI位置特定向の視覚言語モデルVISTA-4Bをリリース
原題:inclusionAI/VISTA-4B
AI 要約
VISTA-4BはQwen3.5-4BをバックボーンとするGUI位置特定モデルで、スクリーンショットと自然言語の指示を入力し、正規化された0-1000の座標を出力する。トレーニングにはビュー整合GRPOと自己検証クロスビューアンカリングを採用。GUI位置特定ベンチマークでは、SSProが64.2(GRPO-4B比で2.0向上)、SSV2が93.8(0.4低下)、OSWorld-Gが61.2(1.3向上)、OSWorld-G-Rが69.7(0.5向上)を記録した。モデルはHuggingFaceでオープンソース化済みで、プロンプトを使用し[x,y]形式の座標を返すことが推奨される。
要点
- VISTA-4BはQwen3.
- 5-4BをバックボーンとするGUI位置特定モデルで、スクリーンショットと自然言語の指示を入力し、正規化された0-1000の座標を出力する。
- トレーニングにはビュー整合GRPOと自己検証クロスビューアンカリングを採用。
- GUI位置特定ベンチマークでは、SSProが64.
- 2(GRPO-4B比で2.
概要
- 公開日時
- 更新日時
- カテゴリ
- モデル公開
- AI スコア
- 62
おすすめの理由
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。
関連エンティティ
出典と著作権
本記事は AIHOT の公開 API が提供する厳選タイトルと AI 要約に基づいており、出典の明記と元記事へのリンクを行っています。原文の著作権は元の媒体と著者に帰属し、当サイトは全文を転載しません。
引用方法
本記事を引用する際は、タイトル・日付・パーマリンクを保持し、出典をOrange Newsと明記してください。
Orange News:inclusionAI、GUI位置特定向の視覚言語モデルVISTA-4Bをリリース。2026年6月12日。https://new.nat6.net/ja/news/cmqbwmfgh05seslam0r0r80vz/