/ 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
6 янв 2025

OS-Genesis-7B-AW

Мультимодальная модель3 профессии

Мультимодальная модель OS-Genesis для анализа экранов Android и формирования действий GUI-агента.

52скачиваний за 30 дней1лайквеса обновлены5 мая 2025

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

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-AW — мультимодальная модель для управления мобильным графическим интерфейсом, разработанная авторами проекта OS-Genesis и дообученная на базе Qwen2-VL-7B-Instruct. Она предназначена для работы GUI-агента: модель анализирует экран и формирует действия для выполнения задач в приложениях Android; её семейство использовалось при оценке на бенчмарке AndroidControl.

Модель имеет плотную архитектуру Qwen2-VL с 7,1 млрд параметров, принимает изображения и текст и выдаёт текстовое представление действий. Длина контекста — 32 768 токенов. В README указан набор данных OS-Genesis-aw-training-data для обучения; конкретные поддерживаемые языки и детальная схема действий не описаны. Модель распространяется под лицензией Apache-2.0.

Сценарии применения

  • выполнение задач в приложениях Android по описанию на естественном языке
  • управление мобильным интерфейсом по снимку экрана
  • построение траекторий действий GUI-агента
  • оценка агента на бенчмарке AndroidControl

Ограничения

README не описывает точную схему выходных действий и перечень поддерживаемых языков. Указанное применение сосредоточено на мобильных GUI-задачах и оценке Android-агентов.

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-AW is a mobile action model finetuned from Qwen2-VL-7B-Instruct.

OS-Genesis AW Family Models

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

Model NameBase ModelTraining DataHF Link
OS-Genesis-4B-AWInternVL2-4BOS-Genesis-aw-training-data🤗 link
OS-Genesis-7B-AWQwen2-VL-7B-InstructOS-Genesis-aw-training-data🤗 link
OS-Genesis-8B-AWInternVL2-8BOS-Genesis-aw-training-data🤗 link

Inference Example

First, ensure that the necessary dependencies are installed:

pip install transformers
pip install qwen-vl-utils

For evaluating the AndroidWorld 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-AW", 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.
 High-level instruction: {high_level_instruction}
 Action history: {action_history}
 Accessibility tree: {a11y_tree}
  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{sun2024osgenesis,
  title={OS-Genesis: Automating GUI Agent Trajectory Construction via Reverse Task Synthesis},
  author={Qiushi Sun and Kanzhi Cheng and Zichen Ding and Chuanyang Jin and Yian Wang and Fangzhi Xu and Zhenyu Wu and Chengyou Jia and Liheng Chen and Zhoumianze Liu and Ben Kao and Guohao Li and Junxian He and Yu Qiao and Zhiyong Wu},
  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

Нельзя запустить

Any-to-any модели пока не поддерживаются.

Класс архитектуры
Qwen2VLForConditionalGeneration
Ревизия весов
069001d

0 моделей