/ Модель

Характеристики

Контекст
1 024 токена
Лицензия
MIT
Архитектура
florence2 · dense
Базовая модель
Florence-2-base
Библиотека
transformers
Опубликована
13 ноя 2024

PTA-1

Генерация текстаТекст → текст3 профессии

Компактная модель AskUI на базе Florence-2, которая находит элементы интерфейса на скриншотах для автоматизации компьютеров и телефонов.

405скачиваний за 30 дней101лайквеса обновлены28 ноя 2024

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

AskUI/PTA-1 — компактная vision-language-модель AskUI для автоматизации действий на компьютерах и телефонах. Она дообучена на Microsoft Florence-2-base и содержит 270 млн параметров. На вход принимает снимок экрана и текстовое описание нужного элемента интерфейса, на выходе определяет его ограничивающую рамку.

Модель предназначена для локального выполнения задач автоматизации интерфейсов с низкой задержкой, включая поиск элементов по текстовому описанию и подготовку координат для взаимодействия с ними. В карточке приведены результаты оценки на выборке из 999 примеров, но авторы отмечают смещение данных и советуют дообучать модель под распределение данных конкретного сценария. Указана лицензия MIT.

Сценарии применения

  • поиск кнопки или другого элемента интерфейса по описанию
  • определение рамки элемента на скриншоте
  • автоматизация взаимодействия с компьютерными интерфейсами
  • автоматизация взаимодействия с интерфейсами телефонов
  • локальное распознавание элементов интерфейса с низкой задержкой

Ограничения

Авторы предупреждают о смещении данных в оценке и рекомендуют дообучать модель под распределение данных целевого сценария. Приведённые результаты получены на первой оценке по 999 примерам; для части моделей возможны отклонения около 5%.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

PTA-1: Controlling Computers with Small Models

PTA (Prompt-to-Automation) is a vision language model for computer & phone automation, based on Florence-2. With only 270M parameters it outperforms much larger models in GUI text and element localization. This enables low-latency computer automation with local execution.

▶️ Try the demo at: AskUI/PTA-1

Model Input: Screenshot + description_of_target_element

Model Output: BoundingBox for Target Element

image

How to Get Started with the Model

Use the code below to get started with the model.

Requirements: torch, timm, einops, Pillow, transformers

import torch
from PIL import Image
from transformers import AutoProcessor, AutoModelForCausalLM 

device = "cuda:0" if torch.cuda.is_available() else "cpu"
torch_dtype = torch.float16 if torch.cuda.is_available() else torch.float32

model = AutoModelForCausalLM.from_pretrained("AskUI/PTA-1", torch_dtype=torch_dtype, trust_remote_code=True).to(device)
processor = AutoProcessor.from_pretrained("AskUI/PTA-1", trust_remote_code=True)

task_prompt = "<OPEN_VOCABULARY_DETECTION>"
prompt = task_prompt + "description of the target element"

image = Image.open("path to screenshot").convert("RGB")

inputs = processor(text=prompt, images=image, return_tensors="pt").to(device, torch_dtype)

generated_ids = model.generate(
    input_ids=inputs["input_ids"],
    pixel_values=inputs["pixel_values"],
    max_new_tokens=1024,
    do_sample=False,
    num_beams=3,
)
generated_text = processor.batch_decode(generated_ids, skip_special_tokens=False)[0]

parsed_answer = processor.post_process_generation(generated_text, task="<OPEN_VOCABULARY_DETECTION>", image_size=(image.width, image.height))

print(parsed_answer)

Evaluation

Note: This is a first version of our evaluation, based on 999 samples (333 samples from each dataset). We are still running all models on the full test sets, and we are seeing ±5% deviations for a subset of the models we have already evaluated.

ModelParametersMeanagentsea/wave-uiAskUI/pta-textivelin/rico_refexp_combined
AskUI/PTA-10.27B79.9890.69*76.2872.97*
anthropic.claude-3-5-sonnet-20241022-v2:0-70.3782.2883.1845.65
agentsea/paligemma-3b-ft-waveui-8963.29B57.7670.57*67.8734.83
Qwen/Qwen2-VL-7B-Instruct8.29B57.2647.4560.6663.66
agentsea/paligemma-3b-ft-widgetcap-waveui-4483.29B53.1574.17*53.4531.83
microsoft/Florence-2-base0.27B39.4422.2281.3814.71
microsoft/Florence-2-large0.82B36.6414.1181.9813.81
EasyOCR-29.433.975.089.31
adept/fuyu-8b9.41B26.835.7171.473.3
Qwen/Qwen2-VL-2B-Instruct2.21B23.3217.1226.1326.73
Qwen/Qwen2-VL-2B-Instruct-GPTQ-Int40.90B18.9210.8122.8223.12

* Models is known to be trained on the train split of that dataset.

The high benchmark scores for our model are partially due to data bias. Therefore, we expect users of the model to fine-tune it according to the data distributions of their use case.

Metrics

Click success rate is calculated as the number of clicks inside the target bounding box relative to all clicks. If a model predicts a target bounding box instead of a click coordinate, its center is used as its click prediction.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Florence2ForConditionalGeneration
Ревизия весов
cf9877c

0 моделей