/ 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
23 дек 2024

OS-Genesis-7B-AC

Изображение и текст → текст3 профессии

OS-Genesis-7B-AC — дообученная мультимодальная модель, предназначенная для понимания экранов мобильных устройств и поддержки выполнения задач в их графическом интерфейсе.

36скачиваний за 30 дней7лайковвеса обновлены8 янв 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

OS-Genesis-7B-AC — мультимодальная модель для управления графическим интерфейсом мобильных устройств, разработанная авторами проекта OS-Genesis и дообученная на базе Qwen2-VL-7B-Instruct. Она принимает изображения экрана и текстовые инструкции, а затем формирует текстовый ответ, предназначенный для использования агентом при выполнении действий в интерфейсе. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2-VL и поддерживает контекст до 32 768 токенов.

Модель предназначена для сценариев управления мобильными приложениями и оценки на AndroidControl. Она входит в семейство моделей OS-Genesis AC; проект описывает синтез траекторий действий GUI-агентов для динамических сред, включая AndroidWorld и WebArena. В репозитории указаны формат Safetensors и библиотека Transformers.

Модель распространяется по лицензии Apache-2.0. Карточка не уточняет формат выходных команд агента и конкретные ограничения качества; её назначение описано для GUI-управления, а не как универсальный помощник.

Сценарии применения

  • управление мобильным приложением по текстовой инструкции
  • анализ скриншота экрана Android
  • выполнение последовательности действий в мобильном GUI-агенте
  • оценка агента на бенчмарке AndroidControl
  • подготовка агента для сценариев AndroidWorld и WebArena

Ограничения

Карточка ориентирует модель на управление графическим интерфейсом мобильных устройств и оценку AndroidControl; качество для других сценариев не заявлено. Формат конкретных действий, выдаваемых для управления интерфейсом, в карточке не описан.

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-Genesis: Automating GUI Agent Trajectory Construction via Reverse Task Synthesis

[🏠Homepage] [💻Code] [📝Paper] [🤗Models][🤗Data]

Overview

os-genesis

We introduce OS-Genesis, an interaction-driven pipeline that synthesizes high-quality and diverse GUI agent trajectory data without human supervision. By leveraging reverse task synthesis, OS-Genesis enables effective training of GUI agents to achieve superior performance on dynamic benchmarks such as AndroidWorld and WebArena.

Quick Start

OS-Genesis-7B-AC is a mobile action model finetuned from Qwen2-VL-7B-Instruct.

OS-Genesis AC Family Models

In the following table, we provide an overview of the OS-Genesis AC Family Models used for evaluating the AndroidControl Benchmark.

Model NameBase ModelTraining DataHF Link
OS-Genesis-4B-ACInternVL2-4BOS-Genesis-ac-training-data🤗 link
OS-Genesis-7B-ACQwen2-VL-7B-InstructOS-Genesis-ac-training-data🤗 link
OS-Genesis-8B-ACInternVL2-8BOS-Genesis-ac-training-data🤗 link

Inference Example

First, ensure that the necessary dependencies are installed:

pip install transformers
pip install qwen-vl-utils

For evaluating the AndroidControl Benchmark, please refer to the evaluation code.

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-Genesis-7B-AC", 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": "You are a GUI task expert, I will provide you with a high-level instruction, an action history, a screenshot with its corresponding accessibility tree.\n High-level instruction: {high_level_instruction}\n Action history: {action_history}\n Accessibility tree: {a11y_tree}\n  Please generate the low-level thought and action for the next step."},
        ],
    }
]


# 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{sun2024genesis,
  title={OS-Genesis: Automating GUI Agent Trajectory Construction via Reverse Task Synthesis},
  author={Sun, Qiushi and Cheng, Kanzhi and Ding, Zichen and Jin, Chuanyang and Wang, Yian and Xu, Fangzhi and Wu, Zhenyu and Jia, Chengyou and Chen, Liheng and Liu, Zhoumianze and others},
  journal={arXiv preprint arXiv:2412.19723},
  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
6ef855f

0 моделей