inclusionAI 发布 VISTA-4B GUI 定位视觉语言模型
原文标题:inclusionAI/VISTA-4B
AI 摘要
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 GRPO-4B 提升 2.0),SSV2 得分 93.8(下降 0.4),OSWorld-G 得分 61.2(提升 1.3),OSWorld-G-R 得分 69.7(提升 0.5)。模型已开源在 HuggingFace,推荐使用提示词并返回 [x,y] 格式坐标。
关键信息
- 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 GRPO-4B 提升 2.
速览
- 发布时间
- 更新时间
- 分类
- 模型发布
- AI 评分
- 62
推荐理由
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。
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 发布 VISTA-4B GUI 定位视觉语言模型。2026年6月12日。https://new.nat6.net/news/cmqbwmfgh05seslam0r0r80vz/