/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
32 млрд
Размер весов
66,9 ГБ
Лицензия
CC BY-NC-SA 4.0
Архитектура
qwen2_5_vl · dense
Базовая модель
Qwen2.5-VL-32B-Instruct
Опубликована
28 окт 2025

UI-Ins-32B

Изображение и текст → текст3 профессии

Производная модели Tongyi-MiA/UI-Ins-7B. UI-Ins-7B — мультимодальная модель для поиска элементов интерфейса по скриншоту и инструкции, выдающая координаты для GUI-агента.

27скачиваний за 30 дней6лайковвеса обновлены16 дек 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

Карточка модели Tongyi-MiA/UI-Ins-32B на Hugging Face совпадает с карточкой Tongyi-MiA/UI-Ins-7B, поэтому описание составлено по ней.

UI-Ins-7B — мультимодальная модель Tongyi-MAI для привязки инструкций к элементам графического интерфейса. Она принимает скриншот и текстовую инструкцию, анализирует экран и выдаёт координаты целевого элемента для GUI-агента, например кнопки, которую нужно нажать.

Модель построена на архитектуре Qwen2.5-VL, содержит 7,1 млрд параметров и поддерживает контекст до 128 000 токенов. По карточке, обучение прошло в два этапа: SFT на разнообразных синтезированных инструкциях, затем обучение с подкреплением для выбора и сочетания стратегий рассуждения. Авторы сообщают о высоких результатах на пяти бенчмарках GUI-grounding; UI-Ins-7B также показала 74,1% успешных выполнений в AndroidWorld в роли исполнителя.

Модель предназначена для визуального поиска элементов интерфейса и работы GUI-агентов. Она основана на Qwen/Qwen2.5-VL-7B-Instruct и распространяется по лицензии CC BY-NC-SA 4.0, которая ограничивает коммерческое использование. README содержит пример загрузки базовой модели Qwen2.5-VL, поэтому для воспроизведения описанного инференса следует учитывать это требование.

Сценарии применения

  • поиск кнопки или другого элемента на скриншоте по текстовой инструкции
  • определение координат элемента для автоматизации веб-интерфейса
  • выбор следующего действия GUI-агента по экрану и задаче
  • выполнение действий в Android-приложениях по визуальным инструкциям

Ограничения

Результат зависит от качества скриншота и точности инструкции; координаты могут требовать проверки или преобразования с учётом изменения размера изображения. Лицензия CC BY-NC-SA 4.0 ограничивает коммерческое использование.

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

GUI grounding, which maps natural-language instructions to actionable UI elements, is a core capability of GUI agents. Prior works largely treats instructions as a static proxy for user intent, overlooking the impact of instruction diversity and quality on grounding performance. Through a careful investigation of existing grounding datasets, we find a 23.3% flaw rate in their instructions and show that inference-time exploitation of instruction diversity yields up to a substantial 76% relative performance improvement.

In this paper, we introduce the Instruction-as-Reasoning paradigm, treating instructions as dynamic analytical pathways that offer distinct perspectives and enabling the model to select the most effective pathway during reasoning. To achieve this, we propose a two-stage training framework: supervised fine-tuning (SFT) on synthesized, diverse instructions to instill multi-perspective reasoning, followed by reinforcement learning (RL) to optimize pathway selection and composition.

Our resulting models, UI-Ins-7B and UI-Ins-32B, achieve state-of-the-art results on five challenging grounding benchmarks and exhibit emergent reasoning, selectively composing and synthesizing novel instruction pathways at inference. In particular, UI-Ins-32B attains the best grounding accuracy, scoring 87.3% on UI-I2E-Bench, 57.0% on ScreenSpot-Pro, and 84.9% on MMBench-GUI L2. Furthermore, our model demonstrates strong agentic potential, achieving a 74.1% success rate on AndroidWorld using UI-Ins-7B as the executor. Our in-depth analysis reveals additional insights such as how reasoning can be formulated to enhance rather than hinder grounding performance, and how our method mitigates policy collapse in the SFT+RL framework.

⚡️ Quick Use

You can inference UI-Ins simply by the following script:

📮 Contact

Fell free to contact liangyuchen@ruc.edu.cn if you have any questions.

License

This repo follows CC-BY-NC-SA 4.0 license. Please use this repo for non-commercial use ONLY.

Citation

If you use this repository or find it helpful in your research, please cite it as follows:

@misc{chen2025uiinsenhancingguigrounding,
      title={UI-Ins: Enhancing GUI Grounding with Multi-Perspective Instruction-as-Reasoning}, 
      author={Liangyu Chen and Hanzhang Zhou and Chenglin Cai and Jianan Zhang and Panrong Tong and Quyu Kong and Xu Zhang and Chen Liu and Yuqi Liu and Wenxuan Wang and Yue Wang and Qin Jin and Steven Hoi},
      year={2025},
      eprint={2510.20286},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2510.20286}, 
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2_5_VLForConditionalGeneration
Ревизия весов
9ee5192

0 моделей