/ 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-WA

Изображение и текст → текст3 профессии

Мультимодальная модель OS-Genesis на базе Qwen2-VL для интерпретации веб-интерфейсов и построения траекторий действий GUI-агента.

30скачиваний за 30 дней0лайковвеса 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-WA — мультимодальная модель на 7,1 млрд параметров, разработанная авторами проекта OS-Genesis для управления веб-интерфейсами. Она дообучена на базе Qwen/Qwen2-VL-7B-Instruct на синтетических траекториях веб-действий, созданных в рамках OS-Genesis.

Модель принимает изображения интерфейса и текстовые инструкции, а в ответ формирует текст для сценариев управления веб-интерфейсом. Она предназначена для обучения и оценки GUI-агентов на задачах вроде WebArena; карточка также описывает подход OS-Genesis для генерации траекторий взаимодействия и упоминает AndroidWorld. Контекст модели — 32 768 токенов.

Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка не приводит отдельные показатели качества или подробные ограничения применимости.

Сценарии применения

  • анализ скриншота веб-страницы по текстовой инструкции
  • генерация траекторий взаимодействия с веб-интерфейсом
  • обучение GUI-агента действиям в браузере
  • оценка агента на бенчмарке WebArena
  • исследование синтеза данных для агентов интерфейсов

Ограничения

В README не приведены отдельные метрики качества и подробные условия, при которых модель может ошибаться; описанное обучение ориентировано на веб-действия и оценку GUI-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-WA is a web action model finetuned from Qwen2-VL-7B-Instruct.

OS-Genesis WA Family Models

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

Model NameBase ModelTraining DataHF Link
OS-Genesis-4B-WAInternVL2-4BOS-Genesis-web-training-data🤗 link
OS-Genesis-7B-WAQwen2-VL-7B-InstructOS-Genesis-web-training-data🤗 link
OS-Genesis-8B-WAInternVL2-8BOS-Genesis-web-training-data🤗 link

Inference Example

First, ensure that the necessary dependencies are installed:

pip install transformers
pip install qwen-vl-utils

For evaluating the WebArena 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-WA", 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{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

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2VLForConditionalGeneration
Ревизия весов
710c529

0 моделей