/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
3,1 млрд
Размер весов
7,5 ГБ
Архитектура
qwen2_5_vl · dense
Базовая модель
Qwen2.5-VL-3B-Instruct
Библиотека
transformers
Опубликована
27 мая 2025

UI-Genie-Agent-3B

Изображение и текст → текст3 профессии

Мультимодальный агент для управления Android-интерфейсами по снимку экрана и текстовой инструкции.

44скачиваний за 30 дней5лайковвеса обновлены29 мая 2025

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

UI-Genie-Agent-3B — мультимодальная модель HanXiao1999 для автоматизации интерфейсов мобильных устройств. Она построена на Qwen2.5-VL-3B-Instruct и дообучена методом supervised fine-tuning на размеченных и синтетических траекториях взаимодействия с Android-приложениями. Модель принимает изображение экрана и текстовую инструкцию, анализирует интерфейс и выдаёт действия агента, например нажатие, прокрутку или ввод текста; поддерживается также режим Set-of-Mark.

Модель предназначена для выполнения низкоуровневых действий и многошаговых задач в мобильных приложениях. В README приведены результаты на AndroidControl и AndroidLab, где качество зависит от типа сценария и бенчмарка. Число параметров — 3,1 млрд, базовый контекст — до 128 000 токенов; репозиторий использует формат safetensors и библиотеку Transformers. В метаданных указан интерфейс вызова инструментов, однако для практического управления устройством требуется агентная обвязка, умеющая исполнять предсказанные действия. Лицензия в предоставленных данных не указана.

Сценарии применения

  • выполнение последовательности действий в Android-приложении
  • нажатие на элементы интерфейса по их расположению
  • прокрутка экранов мобильного приложения
  • ввод текста в поля Android-приложений
  • автоматизация пользовательских сценариев на телефоне

Ограничения

Качество зависит от сценария: в README результаты на AndroidLab ниже, чем на AndroidControl. Для выполнения действий на устройстве нужна внешняя система, которая интерпретирует и исполняет вывод модели.

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

UI-Genie-Agent-3B

Model Description

UI-Genie-Agent-3B is a state-of-the-art Multimodal Large Language Model specifically trained for mobile GUI automation tasks. It is part of the UI-Genie framework, which introduces a novel self-improving approach for enhancing MLLM-based mobile GUI agents through iterative agent-reward model co-evolution.

This model achieves state-of-the-art performance on mobile GUI benchmarks by eliminating the need for manual annotation through synthetic trajectory generation guided by our specialized reward model UI-Genie-RM.

Model Architecture

  • Base Model: Qwen2.5-VL-3B-Instruct
  • Training Method: Supervised fine-tuning with exisiting trajetory datasets and our synthetic trajectory data
  • Action Space Coverage: Supports comprehensive mobile interactions (click, swipe, type, etc.) and Set-of-Mark mode.

Performance

AndroidControl Benchmark

Model SizeLow-Level TasksHigh-Level Tasks
UI-Genie-Agent-3B93.8% SR72.9% SR
UI-TARS-2B89.3% SR68.9% SR
Qwen2.5-VL-3B90.8% SR63.7% SR

AndroidLab Benchmark

ModelSuccess RateSub-Goal Success Rate
UI-Genie-Agent-3B28.8%35.4%
AutoGLM36.2%-
Qwen2.5-VL-7B14.9%18.7%

Training Data

Our model is trained on a combination of:

Action Space

The model supports a comprehensive action space for mobile interactions:

Action TypeParametersDescription
openapp_name, action_descLaunch applications
clickcoordinate/som, action_descTap UI elements
swipecoordinate/som, direction, distance, action_descScroll the screen
long_presscoordinate/som, action_descLong press interactions
typetext, action_descText input
system_buttonbutton, action_descSystem button presses
waittime, action_descWait operations
terminatestatus, action_descTask completion

Citation

@misc{xiao2025uigenieselfimprovingapproachiteratively,
      title={UI-Genie: A Self-Improving Approach for Iteratively Boosting MLLM-based Mobile GUI Agents}, 
      author={Han Xiao and Guozhi Wang and Yuxiang Chai and Zimu Lu and Weifeng Lin and Hao He and Lue Fan and Liuyang Bian and Rui Hu and Liang Liu and Shuai Ren and Yafei Wen and Xiaoxin Chen and Aojun Zhou and Hongsheng Li},
      year={2025},
      eprint={2505.21496},
      archivePrefix={arXiv},
      primaryClass={cs.CL},
      url={https://arxiv.org/abs/2505.21496}, 
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2_5_VLForConditionalGeneration
Ревизия весов
c309a7e

0 моделей