/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
9,7 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_vl · dense
Библиотека
transformers
Опубликована
4 мар 2026

Northstar-CUA-Fast

Изображение и текст → текст

Northstar CUA Fast — 4B vision-language модель от Tzafon для управления настольными приложениями и браузером по скриншотам и текстовым инструкциям.

13скачиваний за 30 дней8лайковвеса обновлены2 апр 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

Northstar CUA Fast — модель компьютерного агента от Tzafon с 4 млрд параметров, основанная на архитектуре Qwen3-VL и обученная с подкреплением для взаимодействия с графическими интерфейсами. Она принимает текстовые инструкции и изображения экрана, а затем выдаёт ответы и действия для управления интерфейсом: щелчки, перетаскивание, ввод текста и клавиш, прокрутку, навигацию в браузере, ожидание и завершение задачи.

Модель предназначена для многошаговой автоматизации настольных приложений и браузера в цикле «скриншот — решение — действие». Обучение GRPO на синтетических GUI-средах направлено на обобщение между интерфейсами и восстановление после неудачных действий. В README указан контекст 64K токенов; модель оценивается на задачах OSWorld и показывает конкурентные результаты на задачах для отдельных приложений.

Модельные веса распространяются по лицензии Apache 2.0; API и средства запуска описаны отдельно. Результаты зависят от приложения и сложности траектории: в приведённых тестах показатели различаются между категориями, а длинные задачи остаются чувствительными к ошибкам отдельных действий.

Сценарии применения

  • автоматизация действий в браузере по заданию на естественном языке
  • выполнение многошаговых задач в настольных приложениях
  • заполнение веб-форм и ввод текста в интерфейсе
  • восстановление после неудачных действий GUI-агента
  • управление интерфейсом по скриншотам с помощью кликов и прокрутки

Ограничения

В опубликованных результатах качество различается по приложениям, а многошаговые задачи остаются чувствительными к ошибкам действий. Приведённые оценки ограничены тестированными сценариями и не гарантируют результат для любого интерфейса.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Northstar CUA Fast

A 4B-parameter computer-use agent model trained with GUI reinforcement learning. Recovers from mistakes, generalizes across environments, and outperforms open-source models at twice its size on single-app tasks.

Built for agentic loops where every step is a model call.

Parameters4B
Context64K tokens
TrainingGUI reinforcement learning
InputText + screenshot
OutputGUI actions (click, type, scroll, key, drag, ...)
Coordinates0-999 normalized (model) / pixel-scaled (Responses API)
Pricing< $1/M tokens

Highlights

  • RL-trained, not just SFT. Trained with GRPO on synthetic GUI environments, producing behaviors that generalize rather than memorize.
  • Recovery over raw accuracy. Multi-turn RL training teaches the model to detect failures from history and adapt, which matters far more than single-step click precision for long-horizon tasks.
  • Competitive at 4B. Matches or exceeds open-source models at 2x parameter count on single-app desktop tasks.
  • Production-ready API. OpenAI-compatible chat completions and a Responses API with pixel-scaled coordinates.

How It Was Trained

The Problem with SFT for Computer Use

Supervised fine-tuning on GUI data saturates after 100-1000 examples per task and degrades other abilities. More critically, SFT improvements do not generalize: the model memorizes state-action pairs rather than learning why an action should be taken. Coordinate prediction under SFT also suffers because all incorrect coordinates are penalized uniformly, so clicking 1 pixel away from ground truth is treated the same as clicking on the opposite side of the screen.

Reinforcement Learning on Synthetic Environments

Using a GRPO loss adapted for multi-modal inputs (built on prime-rl), Northstar CUA Fast was trained on synthetic GUI environments with bounding-box-based reward signals. Key findings:

  • Generalization from abstract environments. Training exclusively on simplified, fabricated test environments improved performance on real UI benchmarks (0.39 to 0.53 on an aggregated UI benchmark), surpassing SFT on actual UI datasets.
  • Multi-turn RL is critical. Training on ~100 environments requiring 3-15 click interactions produced a 20% absolute improvement on the OSWorld Chrome category, despite zero resemblance between training and evaluation environments.
  • Emergent self-correction. The model learns to detect failed interactions from its history and either retry with adjustments or try entirely different approaches. This cannot be systematically derived from SFT because it depends on the model's own action distribution.

Positional Encoding Insights

Analysis of the vision encoder revealed that absolute positional information decays exponentially through attention layers due to normalization. Since 2D-RoPE only encodes relative position, the additive patch embedding (added once at input) is the sole source of absolute coordinate information, and it degrades with depth. Scaling the positional embedding by 3x improved click accuracy from 40% to 80% on a simple red-ball benchmark without any retraining.

OSWorld Benchmark (pass@1, 50 steps)

Evaluated on OSWorld across 369 real-world desktop tasks.

DomainUI-TARS 2Qwen3 FlashNorthstar CUA Fast (4B)
Chrome62.96%56.43%55.30%
Thunderbird73.33%66.67%62.40%
LibreOffice Writer60.87%56.52%56.94%
OS41.67%54.17%46.26%
VLC49.94%34.41%43.87%
Overall53.1%41.6%37.01%

At 4B parameters, Northstar CUA Fast is competitive with open-source models at twice its size on single-app tasks. Using the EVOCUA agent harness: EVOCUA-8B averages 32.5% vs Northstar CUA Fast (RL) at 37.0%.

Why Recovery Matters More Than Accuracy

For multi-step agentic tasks, per-step accuracy requirements scale harshly:

Trajectory Length50% success80% success95% success
10.500.800.95
40.840.950.99
160.960.991.00
320.980.991.00

Even with retry tolerance, the required per-step accuracy for long trajectories becomes impractical. The model's ability to recover from failures and handle out-of-distribution variation matters far more than raw single-step precision.

Supported Actions

click · double_click · triple_click · right_click · drag · type · key · scroll · hscroll · navigate (browser only) · wait · terminate

Quickstart

Install

pip install tzafon

Responses API (recommended)

import os
from tzafon import Lightcone

client = Lightcone(api_key=os.environ["TZAFON_API_KEY"])

response = client.responses.create(
    model="tzafon.northstar-cua-fast",
    instructions="Click on the Firefox icon.",
    tools=[{
        "type": "computer_use",
        "display_width": 1024,
        "display_height": 768,
        "environment": "browser",
    }],
)
print(response.output)

OpenAI-compatible Chat Completions

from openai import OpenAI

client = OpenAI(
    api_key="your-api-key",
    base_url="https://api.tzafon.ai/v1",
)

response = client.chat.completions.create(
    model="tzafon.northstar-cua-fast",
    messages=[
        {"role": "user", "content": [
            {"type": "image_url", "image_url": {"url": "data:image/png;base64,..."}},
            {"type": "text", "text": "Click on the Firefox icon."},
        ]},
    ],
    temperature=0,
    max_tokens=512,
)
print(response.choices[0].message.content)

cURL

curl -X POST https://api.tzafon.ai/v1/responses \
  -H "Authorization: Bearer $TZAFON_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "tzafon.northstar-cua-fast",
    "instructions": "Click on the Firefox icon.",
    "tools": [{"type": "computer_use", "display_width": 1024, "display_height": 768}]
  }'

Lightcone Agent Harness

Lightcone wraps Northstar CUA Fast into a full desktop automation loop: screenshot, think, act, repeat.

screenshot → Northstar CUA Fast → parse action → execute on computer → repeat

Features: pure-async FastAPI server with SSE streaming, sliding-window context management, Rust-accelerated image processing, and an auto-discovering tool registry.

git clone https://github.com/tzafon/lightcone.git
cd lightcone
uv venv && uv sync --extra dev
uv run maturin develop -m native/Cargo.toml

export TZAFON_API_KEY="your-api-key"
lightcone run --task "Open Firefox and search for 'hello world'"

What's Open Source vs Hosted

ComponentLicenseStatus
Lightcone agent harnessApache 2.0GitHub
Python SDK (tzafon)MITPyPI
Model weightsApache 2.0Tzafon API

Citation

@misc{tzafon2026northstarcuafast,
    title={Northstar CUA Fast: Lightweight Computer-Use Agent Model},
    author={Tzafon Team},
    year={2026},
    url={https://github.com/tzafon/lightcone},
}

Links

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
34f10a8

0 моделей