/ Модель

Характеристики

Лицензия
Своя лицензия
Архитектура
lfm2_vl · dense
Базовая модель
LFM2.5-VL-3B
Библиотека
transformers
Опубликована
25 авг 2026

LFM2.5-VL-3B-DragOn

Изображение и текст → текст3 профессии

Мультимодальная модель для определения координат начала и конца перетаскивания элементов интерфейса по скриншоту и текстовой инструкции.

88скачиваний за 30 дней1лайквеса обновлены25 авг 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

EryriLabs/LFM2.5-VL-3B-DragOn — дообученная Dwain Barnes (EryriLabs) модель LiquidAI/LFM2.5-VL-3B для привязки операций перетаскивания к элементам интерфейса. Она принимает скриншот и текстовую инструкцию, например переместить ползунок или выделить диапазон ячеек, и выдаёт начальную и конечную точки перетаскивания в нормализованных координатах. Модель использует архитектуру LFM2-VL, имеет 3 млрд параметров согласно названию базовой модели, поддерживает изображение и текст и распространяется в формате Safetensors.

Модель рассчитана на использование как компонент GUI-агента для взаимодействия с экранными элементами. В публичной оценке DragOn на 998 заданиях автор сообщает точность 70,8% при допуске 5%; результаты различаются по типам действий: для ползунков — 96%, для выделения текста — 70,2%, для ячеек таблиц — 62,4%, для изменения размера элементов слайдов — 54,8%. Обучение выполнено методом LoRA на части датасета Hcompany/DragOn.

Автор рекомендует придерживаться формата обучающего запроса и не рассматривает модель как универсального чат-ассистента. Качество на общем чате и визуальных вопросах не оценивалось, а перетаскивание с изменением размера или поворотом — слабая область. Лицензия в метаданных указана как other, без уточнения условий.

Сценарии применения

  • перемещение ползунка интерфейса в заданное положение
  • выделение текста перетаскиванием на скриншоте
  • выбор диапазона ячеек таблицы
  • изменение размера элемента на слайде перетаскиванием
  • привязка действий перетаскивания к координатам экрана для GUI-агента

Ограничения

Качество общего чата и визуальных ответов не оценивалось; слабее всего модель справляется с перетаскиванием для изменения размера или поворота. Заявленные результаты измерены на публичном eval-разбиении DragOn и могут не отражать качество на более сложном закрытом тесте.

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

LFM2.5-VL-3B-DragOn

This is LiquidAI's LFM2.5-VL-3B fine-tuned to do one thing well: drag-and-drop grounding. Show it a screenshot and an instruction like "drag the slider to 70" or "select cells B3 through F3", and it answers with the start and end points of the drag in normalised coordinates.

I trained it on about a quarter of the DragOn dataset for roughly $36 of H100 time. The base model scores 0.7% on this task. After one evening of training it scores 70.8%.

Results

DragOn public eval, 998 tasks, strict acc@5 (start point inside the start box AND end point inside the end box, 5% tolerance):

modelacc@5acc@10acc@15
this model70.8%78.5%82.1%
LFM2.5-VL-3B (base, zero-shot)0.7%0.9%1.5%
Qwen3.8-27B (zero-shot)17.4%
Claude Opus 4.7 (zero-shot)27.7%
DragOn paper's 27B fine-tune35.3%

By domain: slider 96.0%, text highlighting 70.2%, spreadsheet cell selection 62.4%, slide element resizing 54.8%.

One caveat I want to be upfront about: my numbers are on the public eval split. The paper's 35.3% is (as far as I can tell) on their private test set, which may be harder. So "double the paper's fine-tune" is indicative, not a controlled comparison. If the Hcompany team wants to run this model on the private set, I'd genuinely love to see the number.

How it was trained

  • LoRA (r=32, alpha 64) on all linear layers including the vision encoder, bf16
  • One pass over ~78k screenshots / ~940k drag tasks (24% of the full set), packed so that each screenshot is encoded once and all its tasks share the image tokens
  • 8.5 hours on a single H100, lr 1e-4 cosine, effective batch 16
  • The training prompt is exactly the eval prompt, and the answers are bbox centres in 0-1000 coordinates

The full dataset is 3.5M tasks. I stopped at 24% because that's what my RunPod credit bought. The loss was still falling, so there's likely more on the table. If I train further I'll update this repo.

Usage

from transformers import AutoModelForImageTextToText, AutoProcessor
from PIL import Image

model = AutoModelForImageTextToText.from_pretrained("EryriLabs/LFM2.5-VL-3B-DragOn", dtype="bfloat16", device_map="auto")
proc = AutoProcessor.from_pretrained("EryriLabs/LFM2.5-VL-3B-DragOn")

img = Image.open("screenshot.png")
prompt = ("This is a screenshot of a user interface. You must perform a DRAG action.\n"
          "Task: Drag the volume slider to the maximum\n"
          "Give the drag as JSON with the START point (where the mouse button goes down) and the END point "
          "(where it is released), in coordinates normalised to 0-1000 for both x (left->right) and y (top->bottom):\n"
          '{"start":[x,y],"end":[x,y]}\nOutput only the JSON.')

msgs = [{"role": "user", "content": [{"type": "image", "image": img}, {"type": "text", "text": prompt}]}]
inputs = proc.apply_chat_template(msgs, add_generation_prompt=True, tokenize=True, return_dict=True, return_tensors="pt").to(model.device)
out = model.generate(**inputs, do_sample=False, max_new_tokens=64)
print(proc.decode(out[0][inputs["input_ids"].shape[1]:], skip_special_tokens=True))

Stick to the prompt format above. It's what the model was trained on, and grounding models are picky about this.

GGUF quants for llama.cpp (Q4 through F16, with the vision projector): EryriLabs/LFM2.5-VL-3B-DragOn-GGUF

The LoRA adapter on its own is in the adapter/ folder if you'd rather apply it to the base model yourself.

Limitations

It's a specialist. I haven't measured what the drag training did to general chat or VQA, so treat it as a grounding component, not an assistant. Resize/rotate drags are its weakest domain. And it inherits whatever limitations the base model has.

Thanks

  • LiquidAI for LFM2.5-VL-3B. A 3B VLM this capable, released under an open licence with day-one llama.cpp support, is what made a $36 experiment possible at all.
  • Nathan Bout, Maxime Langevin and Ronan Riochet at Hcompany for building and releasing DragOn. A 3.5M-task drag-grounding dataset with a clean eval is a gift to anyone working on GUI agents. Their paper: DragOn: A Drag-Grounding Benchmark and Training Dataset for GUI Agents (ICML 2026 SCALE workshop).

Trained by Dwain Barnes (EryriLabs), August 2026.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Lfm2VlForConditionalGeneration
Ревизия весов
1985626

0 моделей