/ 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
UI-TARS-7B-DPO
Библиотека
transformers
Опубликована
28 мая 2025

ZeroGUI-OSWorld-7B

Изображение и текст → текст3 профессии

Визуально-языковая модель на базе UI-TARS для понимания графических интерфейсов и выполнения задач GUI по инструкциям.

60скачиваний за 30 дней7лайковвеса обновлены20 июн 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

ZeroGUI-OSWorld-7B — визуально-языковая модель OpenGVLab для работы с графическими интерфейсами. Она основана на Qwen2-VL и дообучена на ByteDance-Seed/UI-TARS-7B-DPO; в карточке описан фреймворк ZeroGUI, который обучает GUI-агентов с помощью онлайн-обучения с подкреплением: автоматически создаёт исполняемые задачи, оценивает успех по скриншотам и адаптирует агента в ходе работы.

Модель содержит 7,1 млрд параметров, принимает изображения и текстовые инструкции и предназначена для диалогового взаимодействия с визуальными интерфейсами. Заявленная длина контекста — 32 768 токенов. Указаны английский и китайский языки. Лицензия — Apache-2.0. README не содержит подробностей о формате действий агента или результатах оценки ZeroGUI-OSWorld-7B.

Сценарии применения

  • ответы на вопросы о содержимом скриншота
  • выполнение текстовых инструкций в графическом интерфейсе
  • автоматизация задач в приложениях через GUI-агента

Ограничения

README не приводит количественных оценок качества или подробностей о том, какие действия и интерактивные среды поддерживаются моделью.

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

ZeroGUI-OSWorld-7B

[📜 Paper] [📂 GitHub]

Introduction

We propose ZeroGUI, a fully automated online reinforcement learning framework that enables GUI agents to train and adapt in interactive environments at zero human cost.

  • Automatic Task Generation: Automatically proposes diverse, executable GUI tasks.

  • Automatic Reward Estimation: Assigns binary task rewards based on trajectory screenshots and employs a voting mechanism to avoid hallucinated success.

  • Two-Stage Online RL: Combines training on generated tasks and test-time adaptation to continually improve agent's performance.

image/png

Results

image/jpeg

Usage

Please refer to our Github Repo.

Citation

If you find this work helpful in your research, please consider citing:

@article{yang2025zerogui,
  title={ZeroGUI: Automating Online GUI Learning at Zero Human Cost},
  author={Yang, Chenyu and Shiqian, Su and Liu, Shi and Dong, Xuan and Yu, Yue and Su, Weijie and Wang, Xuehui and Liu, Zhaoyang and Zhu, Jinguo and Li, Hao and Wang, Wenhai and Qiao, Yu and Zhu, Xizhou and Dai, Jifeng},
  journal={arXiv preprint arXiv:2505.23762},
  year={2025}
}

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
d14c534

0 моделей