/ Модель

Характеристики

Контекст
262 144 токена
Лицензия
Apache 2.0
Архитектура
qwen3_5 · dense
Базовая модель
Qwen3.5-0.8B
Библиотека
transformers
Опубликована
21 авг 2026

Supertron3-0.8B

Изображение и текст → текст3 профессии

Компактная мультимодальная модель Suprem Org для GUI-агентов, навигации по интерфейсам и вызова инструментов на локальных устройствах.

315скачиваний за 30 дней13лайковвеса обновлены21 авг 2026

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

Supertron3-0.8B — компактная мультимодальная модель Suprem Org для GUI-агентов и вызова инструментов на локальных устройствах. Она дообучена на Qwen/Qwen3.5-0.8B и использует архитектуру Qwen3.5 с гибридными слоями Gated DeltaNet и attention, визуальным энкодером и 0,8 млрд параметров. Модель принимает текст и изображения интерфейсов, анализирует веб-страницы, рабочий стол и CLI, а затем формирует действия для управления компьютером или вызовы функций в JSON. Заявленный родной контекст — 262 тыс. токенов; в примере запуска для vLLM указан предел 8192 токена.

Модель предназначена для навигации по интерфейсам, локализации элементов управления и выполнения коротких сценариев компьютерного использования, а также для маршрутизации запросов к инструментам. В карточке приведены результаты оценок BFCL, Mind2Web и Computer Use, но они относятся к тестам разработчика. Ограничения включают слабую пригодность для длительных многошаговых процессов и недостаточную точность визуального поиска относительно задач класса ScreenSpot-Pro. Лицензия — Apache 2.0.

Сценарии применения

  • управление элементами веб-страниц по скриншоту
  • автоматизация действий на рабочем столе
  • навигация по графическому интерфейсу приложений
  • вызов функций и инструментов с аргументами в JSON
  • выполнение коротких сценариев компьютерного использования

Ограничения

Модель на 0,8 млрд параметров ориентирована на короткие сценарии; длительные многошаговые рабочие процессы остаются ограничением. Для точной локализации интерфейсных элементов уровня ScreenSpot-Pro может потребоваться более крупный визуальный энкодер.

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

Supertron3-0.8B: Edge Foundation Model for Tool Calling and Computer Use Agents


Model Description

Supertron3-0.8B is a compact Vision-Language Model (VLM) purpose-built for GUI Agents and agentic tool calling at the edge. It operates across diverse digital environments — web, desktop, and CLI — by interpreting visual interfaces, reasoning over complex content, and emitting precise actions (pyautogui-style computer use) or valid JSON function calls.

At a 1.7GB footprint, Supertron3-0.8B delivers competitive agentic performance for low-latency, on-device deployment.

  • Developed by: Suprem Org
  • Model type: Vision-Language Model for Navigation, Computer Use, and Tool Calling Agents
  • Architecture: Hybrid Gated DeltaNet + Attention (24 layers, 1024 hidden), 0.8B params, Vision Encoder, 262K native context
  • Fine-tuned from model: Qwen/Qwen3.5-0.8B
  • License: Apache 2.0

Get Started

Transformers

from transformers import AutoProcessor, AutoModelForImageTextToText
import torch

model = AutoModelForImageTextToText.from_pretrained(
    "Surpem/Supertron3-0.8B", trust_remote_code=True,
    torch_dtype=torch.bfloat16, device_map="auto"
)
processor = AutoProcessor.from_pretrained("Surpem/Supertron3-0.8B", trust_remote_code=True)

messages = [
    {"role":"system","content": "You are Supertron3, precise tool caller. Output ONLY JSON array of tool calls.\nAvailable tools:\n[{\"name\":\"get_weather\",\"description\":\"get weather\",\"parameters\":{\"properties\":{\"city\":{\"type\":\"string\"}}}}]"},
    {"role":"user","content": "What's weather in Paris on 2026-09-15?"}
]
text = processor.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
inputs = processor(text=[text], return_tensors="pt").to(model.device)
out = model.generate(**inputs, max_new_tokens=256, do_sample=False)
print(processor.decode(out[0][inputs.input_ids.shape[1]:], skip_special_tokens=True))

vLLM / SGLang

vllm serve Surpem/Supertron3-0.8B --dtype bfloat16 --max-model-len 8192

Results

Tool Calling & Agentic Benchmarks

Supertron3-0.8B was evaluated on BFCL-style function calling (single-call, multi-tool, nested arguments) alongside real-world web-agent and computer-use benchmarks (Mind2Web, OmniAct). Despite being the smallest model in the comparison, Supertron3 ranks first on BFCL while being the only model that can reliably act on a desktop — the base models score higher on generic tool priors but fail completely at computer use.

Table 1: Evaluation results on tool calling, web navigation, and computer-use benchmarks.

ModelParamsBFCL ↑Mind2Web (step acc) ↑Computer Use ↑
Supertron3-0.8B (ours)0.8B82%77%100%
Qwen3.5-0.8B (base)0.8B56%80%0%
North Micro Vision Instruct~2B61%——
Qwen3.5-4B4B69%——

Computer Use & Grounding

Supertron3 excels at localizing UI elements and emitting executable actions — a capability entirely absent in the base model. The finetune taught the base to act, not just chat.


Limitations

  • 0.8B capacity: strong single-turn tool routing and short-horizon computer use; long-horizon workflows remain open.
  • Grounding ceiling: ScreenSpot-Pro-class precision requires larger vision encoders.

Citation

@misc{suprem2026supertron3,
      title={Supertron3-0.8B: Edge Foundation Model for Tool Calling and Computer Use Agents},
      author={Suprem},
      year={2026},
      url={https://huggingface.co/Surpem/Supertron3-0.8B},
}
@article{qwen35,
  title={Qwen3.5 Technical Report},
  year={2026}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3_5ForConditionalGeneration
Ревизия весов
111e099

0 моделей