inclusionAI/VISTA-9B:基于VISTA训练的GUI定位视觉语言模型
原文标题:inclusionAI/VISTA-9B
AI 摘要
VISTA-9B是基于Qwen3.5 9B骨干训练的GUI定位模型,输入截图与自然语言指令,输出0-1000归一化坐标。采用VISTA(视图一致自验证)方法,含view-consistent GRPO与self-verified cross-view anchoring。在SSPro、SSV2、OSWorld-G、OSWorld-G-R上分别取得69.2、95.8、68.1、75.5分,超越Qwen3.5-9B与GRPO-9B基线。模型已开源,可通过HuggingFace加载使用。
关键信息
- VISTA-9B是基于Qwen3.
- 5 9B骨干训练的GUI定位模型,输入截图与自然语言指令,输出0-1000归一化坐标。
- 采用VISTA(视图一致自验证)方法,含view-consistent GRPO与self-verified cross-view anchoring。
- 在SSPro、SSV2、OSWorld-G、OSWorld-G-R上分别取得69.
- 5分,超越Qwen3.
速览
- 发布时间
- 更新时间
- 分类
- 模型发布
- AI 评分
- 71
推荐理由
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。
相关实体
来源与版权
本文基于 AIHOT 公开 API 的精选标题与 AI 摘要整理,已注明来源并回链;原文版权归原媒体与作者所有,本站不镜像全文。
如何引用
引用本文时请保留标题、日期与永久链接,并注明来源为橙子新闻。
橙子新闻:inclusionAI/VISTA-9B:基于VISTA训练的GUI定位视觉语言模型。2026年6月12日。https://new.nat6.net/news/cmqbwmfgh05sdslam91ctu2zd/