Характеристики

Контекст: 128 000 токенов
Параметры: 3,1 млрд
Размер весов: 8,1 ГБ
Лицензия: Apache 2.0
Архитектура: qwen2_5_vl · dense
Библиотека: transformers
Опубликована: 27 авг 2025

Ссылки

Hugging Face arXiv 2509.00531

MobiMind-Grounder-3B

IPADS-SAI

Изображение и текст → текст3 профессии

Мультимодальная модель на базе Qwen2.5-VL для поиска элементов мобильного интерфейса по текстовым инструкциям.

17скачиваний за 30 дней5лайковвеса обновлены4 сен 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.

Добавьте модель в бенчмарк
Вместе с другими моделями категории «Изображение → текст» — сравнение идёт внутри одной категории.
Опишите свои задачи
Напишите запросы, при необходимости приложите файлы и эталонные ответы.
Запустите и опубликуйте
Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Открыть конструктор бенчмарка

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

MobiMind-Grounder-3B — модель-компонент системы мобильных агентов MobiAgent, разработанной IPADS-SAI. Она предназначена для определения расположения низкоуровневых элементов интерфейса в задачах управления графическим интерфейсом мобильных устройств. Модель принимает изображение интерфейса и текстовый запрос, а её мультимодальная архитектура Qwen2.5-VL с 3,1 млрд параметров и контекстом до 128 000 токенов позволяет связывать инструкции с визуальными элементами экрана.

Модель рассчитана на применение в GUI-агентах и поддерживает диалоговый режим. Репозиторий содержит веса Safetensors для библиотеки Transformers. Лицензия — Apache-2.0. Карточка не приводит метрик качества или подробностей о формате результата локализации, поэтому их нельзя оценить по доступным сведениям.

Сценарии применения

поиск кнопки или поля ввода на скриншоте мобильного приложения
сопоставление текстовой инструкции с элементом интерфейса
локализация элементов экрана для выполнения действий мобильным GUI-агентом

Ограничения

Карточка не сообщает метрики качества и подробности о представлении координат или локализаций. Назначение модели ограничено поиском низкоуровневых элементов GUI в задачах мобильных агентов.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

II.4Разработка и данныеОтладка, тестирование и качество ПОAI помогает находить дефекты, строить проверки и повышать надёжность программного продукта.25 задач13 978моделей II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей II.2Разработка и данныеСоздание и понимание программного кодаAI помогает писать, объяснять и связывать программный код с требованиями и существующей системой.20 задач21 443модели

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

MobiMind-Grounder-3B Model

This is the Grounder Model of MobiAgent with 3B parameters, capable of low-level UI element grounding in GUI agent task execution, as presented in the paper MobiAgent: A Systematic Framework for Customizable Mobile Agents.

About MobiAgent

MobiAgent is a powerful mobile agent system including:

An agent model family: MobiMind
An agent acceleration framework: AgentRR
An agent benchmark: MobiFlow

System Architecture:

Evaluation Results

Deploy model inference service with vLLM:

vllm serve IPADS-SAI/MobiMind-Grounder-3B

For more usage details, e.g., execute GUI tasks with ADB or our Android App, please refer to our repo!

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: 4f0425a