模型发布

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
来源
蚂蚁 inclusionAI:HuggingFace 新模型
分类
模型发布
AI 评分
71
阅读原文 前往信息源阅读完整正文
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。

原文链接 · AIHOT 条目

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/

查看全部 →
  • inclusionAI 发布 VISTA-4B GUI 定位视觉语言模型

    VISTA-4B 是基于 Qwen3.5-4B 骨干的 GUI 定位模型,输入截图与自然语言指令,输出归一化 0-1000 坐标。训练采用视图一致 GRPO 和自验证交叉视图锚定。在 GUI 定位基准上,SSPro 得分 64.2(相比…

    蚂蚁 inclusionAI:HuggingFace 新模型模型发布AI 评分 62

  • Gemini Omni Flash 视频任务达 SOTA

    Gemini Omni Flash 在图像到视频、文本到视频和视频编辑方面达到了 SATA : ) 很高兴很快能将这一能力通过 API 提供给开发者!

    X:Logan Kilpatrick (@OfficialLoganK)模型发布AI 评分 81

  • 智谱 GLM-5.2 全量开放,支持 1M 上下文且下周开源

    GLM-5.2 是智谱迄今能力最强的开源模型,支持真正可用的 1M 上下文,在长程任务中继续保持领先,并被智谱称为最强的国产 Coding 模型。今晚 5:21 起面向 GLM Coding Plan 全量用户开放(覆盖 Lite、Pro…

    公众号:智谱(GLM)模型发布AI 评分 70