/ Модель

Характеристики

Контекст
262 144 токена
Лицензия
Apache 2.0
Архитектура
qwen3_vl · dense
Базовая модель
Qwen3-VL-4B-Instruct
Библиотека
transformers
Опубликована
7 янв 2026

qwen3-vl-4b-gui-agent

Изображение и текст → текст3 профессии

Дообученная мультимодальная Qwen3-VL-4B предсказывает нормализованные координаты щелчка по скриншоту графического интерфейса.

101скачиваний за 30 дней0лайковвеса обновлены7 янв 2026

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 «Изображение → 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

BLR2/qwen3-vl-4b-gui-agent — дообученная модель на базе Qwen/Qwen3-VL-4B-Instruct, предназначенная для предсказания координат щелчка по интерфейсу на основе данных о траекториях взаимодействия с графическим интерфейсом. Разработчик — BLR2.

Модель принимает изображение интерфейса и текстовый запрос, а в ответ выдаёт нормализованные координаты точки щелчка x y в диапазоне от 0 до 1. Она подходит для создания GUI-агентов, автоматизации действий в приложениях и выбора элемента интерфейса по скриншоту. Построена на мультимодальной архитектуре Qwen3-VL с 4 млрд параметров; распространяется в формате Safetensors через Transformers. Лицензия — Apache-2.0.

Модель специализирована на предсказании щелчков и не описана как универсальный агент, способный самостоятельно выполнять последовательности действий. Точность зависит от скриншота и соответствия интерфейса обучающим данным; координаты необходимо преобразовать в пиксельные значения с учётом размеров экрана.

Сценарии применения

  • выбор кнопки или элемента по скриншоту
  • предсказание координаты щелчка для GUI-агента
  • автоматизация кликов в приложениях
  • управление интерфейсом по текстовой инструкции

Ограничения

Модель предсказывает координаты щелчка, но README не подтверждает поддержку полного цикла действий GUI-агента. Координаты нормализованы в диапазоне [0, 1] и требуют преобразования в пиксели для конкретного экрана.

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

Fine-tuned Qwen3-VL-4B for GUI Click Actions

This model is a fine-tuned version of Qwen/Qwen3-VL-4B-Instruct trained on GUI trajectory data for click action prediction.

Training Details

  • Base Model: Qwen/Qwen3-VL-4B-Instruct
  • Training Checkpoint: Step 137, Epoch 0
  • Task: Predict click coordinates from screenshot + instruction

Usage

With Transformers

from transformers import Qwen3VLForConditionalGeneration, AutoProcessor
from PIL import Image

model = Qwen3VLForConditionalGeneration.from_pretrained(
    "BLR2/qwen3-vl-4b-gui-agent",
    torch_dtype="auto",
    device_map="auto",
)
processor = AutoProcessor.from_pretrained("BLR2/qwen3-vl-4b-gui-agent")

# Load your screenshot
image = Image.open("screenshot.png")
instruction = "Click on the search button"

messages = [
    {
        "role": "user",
        "content": [
            {"type": "image", "image": image},
            {"type": "text", "text": instruction},
        ],
    }
]

inputs = processor.apply_chat_template(
    messages, 
    tokenize=True, 
    add_generation_prompt=True,
    return_dict=True,
    return_tensors="pt"
).to(model.device)

outputs = model.generate(**inputs, max_new_tokens=50)
response = processor.decode(outputs[0], skip_special_tokens=True)
print(response)  # Outputs coordinates like "0.5234 0.7891"

With vLLM

vllm serve BLR2/qwen3-vl-4b-gui-agent --dtype bfloat16
from openai import OpenAI

client = OpenAI(base_url="http://localhost:8000/v1", api_key="dummy")

# For vLLM with vision, encode image as base64
response = client.chat.completions.create(
    model="BLR2/qwen3-vl-4b-gui-agent",
    messages=[
        {
            "role": "user",
            "content": [
                {"type": "image_url", "image_url": {"url": "data:image/png;base64,{base64_image}"}},
                {"type": "text", "text": "Click on the search button"}
            ]
        }
    ],
    max_tokens=50
)
print(response.choices[0].message.content)

Output Format

The model outputs normalized coordinates in the format: x y where both values are in range [0, 1].

To convert to pixel coordinates:

x_norm, y_norm = map(float, output.split())
x_pixel = int(x_norm * image_width)
y_pixel = int(y_norm * image_height)

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3VLForConditionalGeneration
Ревизия весов
a28a898

0 моделей