inclusionAI เปิดตัว VISTA-4B โมเดลภาษาภาพสำหรับ GUI grounding
หัวข้อต้นฉบับ:inclusionAI/VISTA-4B
สรุปโดย AI
VISTA-4B เป็นโมเดล GUI grounding บนแกนหลัก Qwen3.5-4B รับภาพหน้าจอและคำสั่งภาษาธรรมชาติ แล้วส่งออกพิกัดปกติ 0-1000 การฝึกใช้ view-consistent GRPO และ self-verified cross-view anchoring บน基準 GUI grounding ทำคะแนน SSPro 64.2 (เพิ่ม 2.0 จาก GRPO-4B), SSV2 93.8 (ลด 0.4), OSWorld-G 61.2 (เพิ่ม 1.3) และ OSWorld-G-R 69.7 (เพิ่ม 0.5) โมเดลเปิดโอเพนซอร์สบน HuggingFace แนะนำให้ใช้พร้อมต์และส่งคืนพิกัดรูปแบบ [x,y]
ข้อมูลสำคัญ
- VISTA-4B เป็นโมเดล GUI grounding บนแกนหลัก Qwen3.
- 5-4B รับภาพหน้าจอและคำสั่งภาษาธรรมชาติ แล้วส่งออกพิกัดปกติ 0-1000 การฝึกใช้ view-consistent GRPO แล…
- 0 จาก GRPO-4B),SSV2 93.
- 4),OSWorld-G 61.
- 3) และ OSWorld-G-R 69.
สรุปสั้น
- เวลาเผยแพร่
- เวลาอัปเดต
- แหล่งที่มา
- 蚂蚁 inclusionAI:HuggingFace 新模型
- หมวดหมู่
- เปิดตัวโมเดล
- คะแนน AI
- 62
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。
เอนทิตีที่เกี่ยวข้อง
แหล่งที่มาและลิขสิทธิ์
บทความนี้เรียบเรียงจากพาดหัวคัดสรรและบทสรุป AI จาก API สาธารณะของ AIHOT โดยระบุแหล่งที่มาและลิงก์กลับแล้ว ลิขสิทธิ์ต้นฉบับเป็นของสื่อและผู้เขียนต้นทาง เว็บไซต์นี้ไม่ได้สะท้อนเนื้อหาฉบับเต็ม
วิธีอ้างอิง
เมื่ออ้างอิงบทความนี้ โปรดระบุชื่อเรื่อง วันที่ และลิงก์ถาวร พร้อมระบุแหล่งที่มาเป็น Orange News
Orange News: inclusionAI เปิดตัว VISTA-4B โมเดลภาษาภาพสำหรับ GUI grounding 12 มิถุนายน 2026 https://new.nat6.net/th/news/cmqbwmfgh05seslam0r0r80vz/