/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
8,9 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_vl · dense
Базовая модель
Qwen3-VL-4B
Библиотека
transformers
Опубликована
1 июн 2026

Mano-CUA-2.0-4B

Изображение и текст → текст4 профессии

Визуально-языковой агент для автономного выполнения многошаговых операций в настольных графических интерфейсах по скриншотам и текстовым инструкциям.

108скачиваний за 30 дней3лайкавеса обновлены24 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

Mano-CUA-2.0-4B — визуально-языковая модель агента для управления графическим интерфейсом, разработанная в рамках открытой серии Mano компанией Mininglamp. Она дообучена на базе Qwen/Qwen3-VL-4B и предназначена для автономного выполнения сложных операций в настольных приложениях: навигации по интерфейсу, переноса данных между источниками, прохождения многоэтапных бизнес-процессов и подготовки структурированных отчетов. Модель принимает текстовые инструкции и изображения экрана, а действия описывает структурированным XML, включая координаты элементов интерфейса.

В основе — плотная архитектура Qwen3-VL с генерацией текста и визуальным пониманием. README описывает цикл рассуждения «think-act-verify» и обучение в три этапа: SFT, offline RL и online RL. Представленная версия — fp16; для нее заявлены сценарии GPU-инференса и повторной квантизации. В README также упомянуты оптимизации для периферийных устройств и требования macOS с Apple Silicon M1 или новее и Python 3.12 или новее.

Модель ориентирована на применение в автоматизации интерфейсов, где нет API для взаимодействия с приложениями. Качество выполнения зависит от визуальной интерпретации экрана и корректности действий агента; README не приводит количественных оценок качества. Лицензия — Apache-2.0.

Сценарии применения

  • автоматизация многошаговых операций в настольных приложениях
  • перенос данных между приложениями через графический интерфейс
  • извлечение сведений с экранов и подготовка отчетов
  • управление приложениями и веб-страницами по визуальным инструкциям

Ограничения

В README не приведены количественные оценки качества; выполнение зависит от точного визуального распознавания элементов и действий в интерфейсе. Для описанной установки указаны macOS с Apple Silicon M1 или новее и Python 3.12 или новее.

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

Mano-CUA-2.0-4B

Mano-CUA is the Computer Use Agent model under the Mano open-source model series. It is a GUI-VLA (Visual Language Agent) model designed specifically for edge devices, capable of autonomously completing complex desktop GUI operations through visual understanding.

This is the fp16 full-precision version. For the MLX 8-bit quantized version optimized for Apple Silicon, see Mano-CUA-2.0-4B-MLX-8bit.

Main Capabilities

  • Complex GUI Automation: Autonomously complete complex interface operations containing hundreds of interactive elements
  • Cross-System Data Integration: Extract and integrate multi-source data through pure visual interaction without API interfaces
  • Long-Task Planning Execution: Support enterprise-level business process automation of dozens to hundreds of steps
  • Intelligent Report Generation: Automatically generate structured documents such as data analysis reports and work summaries

Technical Background

Mano-CUA builds upon the complete technical framework of the Mano project (see Mano Technical Report), employing the Mano-Action bidirectional self-reinforcement learning method, three-stage progressive training (SFT → Offline Reinforcement Learning → Online Reinforcement Learning), "think-act-verify" loop reasoning mechanism, and a closed-loop data circulation system to achieve high-precision GUI understanding and operation capabilities. The edge version is optimized through mixed-precision quantization, visual token pruning, and edge inference adaptation, enabling large-scale parameter models to run efficiently on edge devices like Mac mini/MacBook/computing sticks.

Quick Start

Requirements

  • macOS with Apple Silicon (M1+)
  • Python >= 3.12

Installation

pip install transformers torch torchvision qwen-vl-utils

Single-Step Demo

from transformers import Qwen3VLForConditionalGeneration, AutoProcessor
from qwen_vl_utils import process_vision_info
from PIL import Image

# 1. Load model
model = Qwen3VLForConditionalGeneration.from_pretrained(
    "Mininglamp-2718/Mano-CUA-2.0-4B",
    torch_dtype="auto",
    device_map="auto",
)
processor = AutoProcessor.from_pretrained("Mininglamp-2718/Mano-CUA-2.0-4B")

# 2. Load a screenshot
img = Image.open("screenshot.png")
ratio = 1280 / img.width
img = img.resize((1280, int(img.height * ratio)), Image.LANCZOS)

# 3. Build prompt
task = "Click the search bar and type hello"

prompt_text = f"""You are a GUI agent. You are given a task and your action history, with screenshots. You need to perform the next action to complete the task.

## Output Format
<action>action</action>

## Action Space
open_app(app_name='') # Open an application by name.
open_url(url='') # Open a URL in the browser.
click(start_box='<|box_start|>(x1,y1)<|box_end|>')
type(content='') # type the content.
hotkey(key='') # Trigger a keyboard shortcut.
scroll(start_box='<|box_start|>(x1,y1)<|box_end|>', direction='down or up or right or left', amount='scroll_amount')
drag(start_box='<|box_start|>(x1,y1)<|box_end|>', end_box='<|box_start|>(x3,y3)<|box_end|>')
wait(duration='') # Sleep for specified duration (in seconds).
finish() # The task is completed.
stop(reason='') # If the item can not found in the image, give the reason

## User Instruction
{task}"""

messages = [
    {{"role": "system", "content": "You are a helpful assistant."}},
    {{"role": "user", "content": [
        {{"type": "image", "image": img}},
        {{"type": "text", "text": prompt_text}},
    ]}},
]

# 4. Run inference
text_input = processor.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
image_inputs, video_inputs = process_vision_info(messages)
inputs = processor(
    text=[text_input], images=image_inputs, videos=video_inputs,
    padding=True, return_tensors="pt",
).to(model.device)

output_ids = model.generate(**inputs, max_new_tokens=512, temperature=0.0, do_sample=False)
output_ids = output_ids[:, inputs.input_ids.shape[1]:]
output = processor.batch_decode(output_ids, skip_special_tokens=True)[0]

print(output)

Output Format

The model outputs structured XML:

<think>The search bar is at the top of the page...</think>
<action_desp>Click the search bar to focus it</action_desp>
<action>click(start_box='<|box_start|>(500,38)<|box_end|>')</action>

Coordinates are normalized to [0, 1000] range. To convert to pixel coordinates:

pixel_x = int(x / 1000 * screen_width)
pixel_y = int(y / 1000 * screen_height)

Full Action Space

ActionSyntaxDescription
open_appopen_app(app_name='')Open an application
open_urlopen_url(url='')Open a URL
clickclick(start_box='<|box_start|>(x,y)<|box_end|>')Left click
doubleclickdoubleclick(start_box='<|box_start|>(x,y)<|box_end|>')Double click
triple_clicktriple_click(start_box='<|box_start|>(x,y)<|box_end|>')Triple click (select line)
right_singleright_single(start_box='<|box_start|>(x,y)<|box_end|>')Right click
hoverhover(start_box='<|box_start|>(x,y)<|box_end|>')Mouse hover
typetype(content='text')Type text
hotkeyhotkey(key='cmd+c')Keyboard shortcut
hotkey_clickhotkey_click(start_box='<|box_start|>(x,y)<|box_end|>', key='shift')Modifier + click
scrollscroll(start_box='<|box_start|>(x,y)<|box_end|>', direction='down', amount='3')Scroll
dragdrag(start_box='<|box_start|>(x1,y1)<|box_end|>', end_box='<|box_start|>(x2,y2)<|box_end|>')Drag and drop
waitwait(duration='2')Wait (seconds)
finishfinish()Task completed
stopstop(reason='...')Task infeasible
call_usercall_user()Request human help

Other Versions

VersionRepoDescription
fp16 (this)Mano-CUA-2.0-4BFull precision, for archival / re-quantization / GPU inference
MLX-8bitMano-CUA-2.0-4B-MLX-8bitMLX 8-bit quantized, recommended for Apple Silicon local inference

Contact

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3VLForConditionalGeneration
Ревизия весов
3b31737

0 моделей