/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
62,5 ГБ
Лицензия
Apache 2.0
Архитектура
gemma4 · dense
Базовая модель
gemma-4-31b-it-unsloth-bnb-4bit
Опубликована
19 июн 2026

Gemma-4-31B-Fable-Coder

Изображение и текст → текст4 профессии

Мультимодальная модель Gemma-4 на 31 млрд параметров для агентного рассуждения, вызова инструментов и управления графическими интерфейсами по скриншотам.

43скачиваний за 30 дней2лайкавеса обновлены19 июн 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

Gemma-4-31B-Fable-Coder — разработанная DavidrPatton мультимодальная модель на 31 млрд параметров, дообученная на unsloth/gemma-4-31b-it-unsloth-bnb-4bit. Она предназначена для агентных сценариев: многошагового рассуждения, вызова инструментов по заданным схемам и управления графическим интерфейсом. Модель принимает изображения и текст, анализирует скриншоты настольных приложений и веб-страниц, а также формирует структурированные действия, включая координаты кликов и ввод текста.

В README заявлены обучение на наборах данных для агентного программирования, GUI-контроля, веб-навигации и визуально обусловленных вызовов инструментов, а также шаблон gemma-4-thinking. Модель распространяется в формате safetensors под лицензией Apache-2.0. Для интеграции с управлением интерфейсом нужны внешняя среда исполнения и маршрутизация действий; заявленные возможности и качество следуют из карточки модели и не сопровождаются независимыми оценками.

Сценарии применения

  • управление настольными приложениями по скриншотам
  • навигация по веб-интерфейсам и панелям управления
  • формирование структурированных вызовов инструментов
  • автоматизация кликов и ввода текста через PyAutoGUI
  • многошаговая помощь при отладке и программной инженерии

Ограничения

Для выполнения действий требуется внешняя среда исполнения инструментов; точность и надежность заявленных навыков не подтверждены независимыми оценками.

Для каких профессий подходит4

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

Gemma-4-31B-Fable-Coder

Developed by: DavidrPatton
License: Apache-2.0
Finetuned from model: unsloth/gemma-4-31b-it-unsloth-bnb-4bit

This model is a highly specialized, locally deployable 31-billion parameter Vision-Language-Action (VLA) engine. It was engineered specifically to act as an autonomous orchestration layer for self-hosted AI frameworks. Rather than focusing on a single programming language, this model was trained exclusively to master multi-step agentic reasoning, strict tool-calling schema adherence, and multimodal graphical user interface (GUI) interaction.

This model was trained 2x faster with Unsloth and Huggingface's TRL library.


🛠️ Core Capabilities & Training Data Elaboration

This model was fine-tuned on a heavily curated, deduplicated mixture of four distinct datasets. The objective was to combine high-level architectural reasoning with native visual-interaction capabilities without suffering from catastrophic forgetting.

1. Agentic Logic & Chain-of-Thought (CoT)

Dataset: Glint-Research/Fable-5-traces

  • What it learned: This dataset injected 4,659 cleartext agentic-coding traces distilled directly from Anthropic's Fable 5 preview model.
  • The resulting capability: The model learned how to "think" methodically before acting. It forces a rigorous Chain-of-Thought logical buffer before outputting its final response. It also learned how to perfectly format and execute strict <tool_use> XML schemas for multi-step software engineering cycles, interactive debugging, and autonomous file-system manipulation.

2. Native Desktop GUI Control

Dataset: Writer/omniact

  • What it learned: OmniACT provided thousands of image-instruction pairs mapping natural language directly to host-level operating system actions.
  • The resulting capability: The model can analyze a visual screenshot of a heavy desktop application and output precise X/Y coordinates for PyAutoGUI execution, allowing the agent to effectively "click" and "type" anywhere on a native OS screen.

3. Web Dashboard Navigation & DOM Parsing

Dataset: McGill-NLP/WebLINX

  • What it learned: WebLINX provided multi-turn conversational web navigation data, heavily emphasizing DOM trees and UI component grounding.
  • The resulting capability: Instead of just reading text, the model can parse complex browser layouts, enabling it to autonomously navigate web interfaces, visual management dashboards, and router portals by understanding the relationship between visual web elements and underlying HTML/DOM structures.

4. Visual Schema Enforcement

Dataset: ScaleAI/VisualToolBench

  • What it learned: A highly specific dataset engineered to map visual contexts directly to structured tool calls.
  • The resulting capability: This acts as the connective tissue between the model's vision and its logic. It ensures that when the agent "sees" a specific UI element or a visual error code in a screenshot, it outputs the exact, deterministic JSON/XML syntax required by the backend routing framework without hallucinating conversational filler.

⚙️ Architecture & Fine-Tuning Details

  • Framework: Unsloth FastVisionModel (Multimodal setup).
  • Precision: Merged 16-bit .safetensors.
  • Prompt/Chat Template: gemma-4-thinking
  • Modality Formatting Note: When inferencing with multimodal inputs, ensure the image and/or visual content is placed before the text in the system/user prompt for optimal attention mapping.

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Gemma4ForConditionalGeneration
Ревизия весов
a9e358f

0 моделей