Характеристики

Контекст: 128 000 токенов
Параметры: 7,1 млрд
Размер весов: 16,6 ГБ
Лицензия: Apache 2.0
Архитектура: qwen2_5_vl · dense
Библиотека: transformers
Опубликована: 27 авг 2025

Ссылки

MobiMind-Grounder-7B

Изображение и текст → текст3 профессии

Мультимодальная модель на базе Qwen2.5-VL для обнаружения и привязки элементов мобильного интерфейса в задачах GUI-агентов.

19скачиваний за 30 дней5лайковвеса обновлены30 авг 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-7B — мультимодальная модель семейства MobiMind, разработанная командой IPADS-SAI для системы мобильных агентов MobiAgent. Она предназначена для низкоуровневого определения элементов пользовательского интерфейса на экране при выполнении задач GUI-агентом.

Модель основана на архитектуре Qwen2.5-VL, содержит 7,1 млрд параметров и принимает изображения вместе с текстом. Максимальная длина контекста составляет 128 000 токенов. В карточке описано применение для управления интерфейсом, но подробности о поддерживаемых языках и точности не приведены.

Модель распространяется в формате safetensors по лицензии Apache-2.0. README предлагает развертывание сервиса инференса через vLLM.

Сценарии применения

поиск кнопок и других элементов на скриншоте мобильного приложения
определение расположения элемента интерфейса по текстовому запросу
привязка действий мобильного агента к элементам экрана

Ограничения

README не сообщает количественные результаты оценки и не описывает ограничения точности или перечень поддерживаемых языков.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.14Универсальные способностиАвтоматизация процессов и AI-агентыAI помогает выполнять многошаговые цифровые процессы и координировать действия между системами.20 задач26 022модели 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

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 7B parameters, capable of low-level UI element grounding in GUI agent task execution.

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

vllm serve IPADS-SAI/MobiMind-Grounder-7B

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: 5e4c8bb