/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
17,5 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_vl · dense
Библиотека
transformers
Опубликована
25 дек 2025

MAI-UI-8B

Изображение и текст → текст3 профессии

MAI-UI-8B — модель Tongyi-MAI для понимания экранов и навигации GUI-агентов по мобильным интерфейсам.

1 272скачиваний за 30 дней203лайкавеса обновлены9 янв 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

MAI-UI-8B — мультимодальная модель семейства MAI-UI от Tongyi-MAI для управления графическими интерфейсами. Она принимает изображения экранов и текстовые инструкции, а в диалоговом режиме помогает агентам понимать интерфейс, находить элементы и выполнять мобильную навигацию. Модель относится к семейству Qwen3-VL; в метаданных указан класс Qwen3VLForConditionalGeneration и формат safetensors.

MAI-UI разработана для GUI-агентов, работающих в реальных сценариях: навигации по мобильным приложениям и привязки действий к элементам интерфейса. Семейство MAI-UI также включает варианты других размеров. В README сообщаются результаты на бенчмарках GUI grounding и мобильной навигации, но отдельные показатели именно версии 8B не приведены.

Модель распространяется по лицензии Apache-2.0. Для запуска README описывает использование vLLM не ниже 0.11.0 и Transformers не ниже 4.57.0.

Сценарии применения

  • поиск элементов управления на скриншоте приложения
  • навигация GUI-агента по мобильному приложению
  • выполнение текстовых инструкций через графический интерфейс
  • привязка действий агента к элементам экрана

Ограничения

В README не приведены отдельные метрики версии 8B и сведения о поддерживаемых языках. Описанные результаты относятся к семейству MAI-UI в целом.

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

MAI-UI: Real-World Centric Foundation GUI Agents.

[📄 Paper] [🌐 Website] [💻 GitHub]

overview

📖 Background

The development of GUI agents could revolutionize the next generation of human-computer interaction. Motivated by this vision, we present MAI-UI, a family of foundation GUI agents spanning the full spectrum of sizes, including 2B, 8B, 32B, and 235B-A22B variants. We identify four key challenges to realistic deployment: the lack of native agent–user interaction, the limits of UI-only operation, the absence of a practical deployment architecture, and brittleness in dynamic environments. MAI-UI addresses these issues with a unified methodology: a self-evolving data pipeline that expands the navigation data to include user interaction and MCP tool calls, a native device–cloud collaboration system that routes execution by task state, and an online RL framework with advanced optimizations to scale parallel environments and context length.

🚀 Quick Start

Deployment with vLLM

You can deploy the model using vLLM (requires vllm>=0.11.0 and transformers>=4.57.0):

# Install vLLM
pip install vllm

# Start vLLM API server
python -m vllm.entrypoints.openai.api_server \
    --model Tongyi-MAI/MAI-UI-8B \
    --served-model-name MAI-UI-8B \
    --host 0.0.0.0 \
    --port 8000 \
    --tensor-parallel-size 1 \
    --trust-remote-code

The model will be served at http://localhost:8000/v1.

🏆 Results

Grounding

MAI-UI establishes new state-of-the-art across GUI grounding and mobile navigation.

  • On grounding benchmarks, it reaches 73.5% on ScreenSpot-Pro, 91.3% on MMBench GUI L2, 70.9% on OSWorld-G, and 49.2% on UI-Vision, surpassing Gemini-3-Pro and Seed1.8 on ScreenSpot-Pro. sspro uivision mmbench osworld-g

Mobile Navigation

  • On mobile GUI navigation, it sets a new SOTA of 76.7% on AndroidWorld, surpassing UI-Tars-2, Gemini-2.5-Pro and Seed1.8. On MobileWorld, MAI-UI obtains 41.7% success rate, significantly outperforming end-to-end GUI models and competitive with Gemini-3-Pro based agentic frameworks. aw mw

Online RL

  • Our online RL experiments show significant gains from scaling parallel environments from 32 to 512 (+5.2 points) and increasing environment step budget from 15 to 50 (+4.3 points). rl rl_env

Device-Cloud Collaboration

  • Our device-cloud collaboration framework can dynamically select on-device or cloud execution based on task execution state and data sensitivity. It improves on-device performance by 33% and reduces cloud API calls by over 40%. dcc

📝 Citation

If you find this project useful for your research, please consider citing our work:

@misc{zhou2025maiuitechnicalreportrealworld,
      title={MAI-UI Technical Report: Real-World Centric Foundation GUI Agents}, 
      author={Hanzhang Zhou and Xu Zhang and Panrong Tong and Jianan Zhang and Liangyu Chen and Quyu Kong and Chenglin Cai and Chen Liu and Yue Wang and Jingren Zhou and Steven Hoi},
      year={2025},
      eprint={2512.22047},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2512.22047}, 
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3VLForConditionalGeneration
Ревизия весов
e00a009

0 моделей