/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
7,1 млрд
Размер весов
16,6 ГБ
Лицензия
Apache 2.0
Архитектура
qwen2_vl · dense
Базовая модель
Qwen2-VL-7B-Instruct
Библиотека
transformers
Опубликована
4 ноя 2024

OS-Atlas-Base-7B

Изображение и текст → текст3 профессии

OS-Atlas-Base-7B — дообученная мультимодальная модель, которая находит элементы графического интерфейса по текстовому запросу и снимку экрана.

664скачиваний за 30 дней43лайкавеса обновлены19 ноя 2024

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

OS-Atlas-Base-7B — мультимодальная модель для визуальной привязки элементов графического интерфейса, разработанная командой OS-Copilot и дообученная на базе Qwen2-VL-7B-Instruct. Она предназначена для GUI-агентов, которым нужно находить на снимке экрана элементы, соответствующие текстовому запросу, например кнопку или поле ввода.

Модель принимает изображение интерфейса и текстовый запрос, а результатом служит текстовый ответ с указанием найденного элемента. Архитектура — плотная Qwen2-VL, размер — 7,1 млрд параметров, контекст — до 32 768 токенов. Репозиторий содержит веса в формате safetensors; модель использует библиотеку Transformers.

Модель ориентирована на визуальное заземление GUI и не предназначена согласно карточке для генерации действий интерфейса: для этого в семействе отдельно представлена линейка OS-Atlas-Pro. Лицензия — Apache-2.0.

Сценарии применения

  • поиск кнопки на снимке экрана по её названию
  • нахождение поля ввода или меню в интерфейсе
  • визуальная привязка текстовой команды к элементу GUI
  • определение расположения целевого элемента для GUI-агента

Ограничения

Карточка описывает модель для GUI grounding; для генерации одношаговых действий предлагается отдельная модель OS-Atlas-Pro. README не сообщает метрики качества или перечень поддерживаемых языков.

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

OS-Atlas: A Foundation Action Model For Generalist GUI Agents

[🏠Homepage] [💻Code] [🚀Quick Start] [📝Paper] [🤗Models][🤗Data] [🤗ScreenSpot-v2]

Overview

os-atlas

OS-Atlas provides a series of models specifically designed for GUI agents.

For GUI grounding tasks, you can use:

For generating single-step actions in GUI agent tasks, you can use:

Quick Start

OS-Atlas-Base-7B is a GUI grounding model finetuned from Qwen2-VL-7B-Instruct.

Notes: Our models accept images of any size as input. The model outputs are normalized to relative coordinates within a 0-1000 range (either a center point or a bounding box defined by top-left and bottom-right coordinates). For visualization, please remember to convert these relative coordinates back to the original image dimensions.

Inference Example

First, ensure that the necessary dependencies are installed:

pip install transformers
pip install qwen-vl-utils

Then download the example image and save it to the current directory.

Inference code example:

from transformers import Qwen2VLForConditionalGeneration, AutoProcessor
from qwen_vl_utils import process_vision_info

# Default: Load the model on the available device(s)
model = Qwen2VLForConditionalGeneration.from_pretrained(
    "OS-Copilot/OS-Atlas-Base-7B", torch_dtype="auto", device_map="auto"
)
processor = AutoProcessor.from_pretrained("OS-Copilot/OS-Atlas-Base-7B")

messages = [
    {
        "role": "user",
        "content": [
            {
                "type": "image",
                "image": "./web_6f93090a-81f6-489e-bb35-1a2838b18c01.png",
            },
            {"type": "text", "text": "In this UI screenshot, what is the position of the element corresponding to the command \"switch language of current page\" (with bbox)?"},
        ],
    }
]


# Preparation for inference
text = processor.apply_chat_template(
    messages, tokenize=False, add_generation_prompt=True
)
image_inputs, video_inputs = process_vision_info(messages)
inputs = processor(
    text=[text],
    images=image_inputs,
    videos=video_inputs,
    padding=True,
    return_tensors="pt",
)
inputs = inputs.to("cuda")

# Inference: Generation of the output
generated_ids = model.generate(**inputs, max_new_tokens=128)

generated_ids_trimmed = [
    out_ids[len(in_ids):] for in_ids, out_ids in zip(inputs.input_ids, generated_ids)
]

output_text = processor.batch_decode(
    generated_ids_trimmed, skip_special_tokens=False, clean_up_tokenization_spaces=False
)
print(output_text)
# <|object_ref_start|>language switch<|object_ref_end|><|box_start|>(576,12),(592,42)<|box_end|><|im_end|>

Citation

If you find this repository helpful, feel free to cite our paper:

@article{wu2024atlas,
        title={OS-ATLAS: A Foundation Action Model for Generalist GUI Agents},
        author={Wu, Zhiyong and Wu, Zhenyu and Xu, Fangzhi and Wang, Yian and Sun, Qiushi and Jia, Chengyou and Cheng, Kanzhi and Ding, Zichen and Chen, Liheng and Liang, Paul Pu and others},
        journal={arXiv preprint arXiv:2410.23218},
        year={2024}
      }

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2VLForConditionalGeneration
Ревизия весов
7ed87a4

0 моделей