inclusionAI/VISTA-9B: โมเดลภาษาภาพสำหรับ GUI grounding ที่ฝึกด้วย VISTA
หัวข้อต้นฉบับ:inclusionAI/VISTA-9B
สรุปโดย AI
VISTA-9B เป็นโมเดล GUI grounding ที่ฝึกบนแกนหลัก Qwen3.5 9B รับภาพหน้าจอและคำสั่งภาษาธรรมชาติ แล้วส่งออกพิกัดปกติ 0-1000 ใช้วิธี VISTA (view-consistent self-verification) ประกอบด้วย view-consistent GRPO และ self-verified cross-view anchoring ทำคะแนนได้ 69.2, 95.8, 68.1 และ 75.5 บน SSPro, SSV2, OSWorld-G และ OSWorld-G-R ตามลำดับ เอาชนะ baseline Qwen3.5-9B และ GRPO-9B โมเดลเปิดโอเพนซอร์สแล้ว สามารถโหลดใช้งานผ่าน HuggingFace
ข้อมูลสำคัญ
- VISTA-9B เป็นโมเดล GUI grounding ที่ฝึกบนแกนหลัก Qwen3.
- 5 9B รับภาพหน้าจอและคำสั่งภาษาธรรมชาติ แล้วส่งออกพิกัดปกติ 0-1000 ใช้วิธี VISTA (view-consistent…
- 1 และ 75.
- 5 บน SSPro,SSV2,OSWorld-G และ OSWorld-G-R ตามลำดับ เอาชนะ baseline Qwen3.
- 5-9B และ GRPO-9B โมเดลเปิดโอเพนซอร์สแล้ว สามารถโหลดใช้งานผ่าน HuggingFace
สรุปสั้น
- เวลาเผยแพร่
- เวลาอัปเดต
- แหล่งที่มา
- 蚂蚁 inclusionAI:HuggingFace 新模型
- หมวดหมู่
- เปิดตัวโมเดล
- คะแนน AI
- 71
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。
เอนทิตีที่เกี่ยวข้อง
แหล่งที่มาและลิขสิทธิ์
บทความนี้เรียบเรียงจากพาดหัวคัดสรรและบทสรุป AI จาก API สาธารณะของ AIHOT โดยระบุแหล่งที่มาและลิงก์กลับแล้ว ลิขสิทธิ์ต้นฉบับเป็นของสื่อและผู้เขียนต้นทาง เว็บไซต์นี้ไม่ได้สะท้อนเนื้อหาฉบับเต็ม
วิธีอ้างอิง
เมื่ออ้างอิงบทความนี้ โปรดระบุชื่อเรื่อง วันที่ และลิงก์ถาวร พร้อมระบุแหล่งที่มาเป็น Orange News
Orange News: inclusionAI/VISTA-9B: โมเดลภาษาภาพสำหรับ GUI grounding ที่ฝึกด้วย VISTA 12 มิถุนายน 2026 https://new.nat6.net/th/news/cmqbwmfgh05sdslam91ctu2zd/