/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
17,5 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_vl · dense
Базовая модель
Qwen3-VL-8B-Thinking
Библиотека
transformers
Опубликована
4 июл 2026

Qwen3-VL-8B-Thinking-Desktop-SFT

Изображение и текст → текст3 профессии

Дообученная на траекториях Uni-GUI мультимодальная модель Qwen3-VL для выполнения задач через графический интерфейс настольных систем.

19скачиваний за 30 дней2лайкавеса обновлены7 июл 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

Qwen3-VL-8B-Thinking-Desktop-SFT — плотная мультимодальная модель семейства Qwen3-VL, разработанная в проекте UI-MOPD и дообученная методом supervised fine-tuning на траекториях взаимодействия с настольным интерфейсом из набора Uni-GUI. Это отдельный вспомогательный чекпойнт на 8B-параметров, созданный на базе Qwen/Qwen3-VL-8B-Thinking.

Модель предназначена для работы в качестве агента графического интерфейса: она анализирует изображения экрана и формирует ответы и действия для выполнения задач в файловых менеджерах, браузерах и приложениях. Её также можно использовать как базовую точку для оценки качества данных Uni-GUI и экспериментов по слиянию с другими GUI-агентами.

Модель наследует мультимодальные возможности Qwen3-VL и рассчитана на английский и китайский языки. В README указано, что этот SFT-чекпойнт выпущен как вспомогательный артефакт и не используется в основном пути обучения студента UI-MOPD, который обучается отдельно с помощью дистилляции. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • выполнение задач в настольных приложениях по скриншоту и текстовой инструкции
  • управление файлами через графический интерфейс
  • выполнение действий в браузере и переход по веб-страницам
  • управление приложениями через графический интерфейс
  • оценка качества данных Uni-GUI и сравнение SFT-моделей для GUI-агентов
  • эксперименты по слиянию с другими моделями GUI-агентов

Ограничения

Это вспомогательный SFT-чекпойнт, обученный только на настольных траекториях Uni-GUI; он не является студенческой моделью из основного контура дистилляции UI-MOPD. README не приводит метрики качества для этого чекпойнта.

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

Qwen3-VL-8B-Thinking-Desktop-SFT

This is the Desktop SFT model from the UI-MOPD project — an 8B model supervised-fine-tuned on desktop GUI interaction data. This checkpoint is released as an auxiliary artifact to demonstrate the quality of the Uni-GUI SFT data on the 8B tier and to enable community work such as Model-Merge (TIES / DARE) with other 8B GUI agents.

Note: This model is not used in the UI-MOPD student training path. In the UI-MOPD pipeline, the 8B student is cold-started directly from the Qwen3-VL-8B-Thinking base and trained via on-policy distillation from the 32B teachers.

Model Description

Qwen3-VL-8B-Thinking-Desktop-SFT is fine-tuned from Qwen3-VL-8B-Thinking on desktop interaction trajectories from the Uni-GUI dataset. It is trained independently on the same desktop data used by the 32B Desktop Teacher, but at the 8B scale.

Key Highlights

  • Base Model: Qwen3-VL-8B-Thinking
  • Training Data: Desktop subset of Uni-GUI (interaction trajectories from OSWorld-style desktop environments)
  • Training: Supervised fine-tuning (SFT) on desktop GUI interaction trajectories
  • Role: Auxiliary artifact — demonstrates Uni-GUI data quality on the 8B tier and enables Model-Merge experiments. Not used in the UI-MOPD student training path.

Relationship to the UI-MOPD Pipeline

The actual UI-MOPD training pipeline is:

  1. Stage 1: Supervised fine-tuning of Qwen3-VL-32B-Thinking on platform-specific data to produce a Desktop Teacher (46.3% on OSWorld) and a Mobile Teacher (16.2% on MobileWorld).
  2. Stage 2: The 8B student is cold-started from Qwen3-VL-8B-Thinking base (not from any SFT checkpoint) and trained via DAPO (reinforcement learning) with multi-teacher on-policy distillation using platform-conditioned routing from the 32B teachers.

This 8B SFT model sits outside the distillation pipeline. It is trained independently on the same Uni-GUI desktop subset and released separately for the community.

Intended Use

This model is designed to:

  • Be used as a standalone desktop GUI agent for executing desktop tasks (e.g., file management, web browsing, application control)
  • Serve as a reference for evaluating the quality of the Uni-GUI SFT data on the 8B scale
  • Provide a base for Model-Merge / TIES / DARE experiments with other 8B GUI agents
  • Offer a baseline for comparing SFT-only vs. distillation-enhanced performance

How to Use

from transformers import Qwen3VLForConditionalGeneration, AutoProcessor

model = Qwen3VLForConditionalGeneration.from_pretrained(
    "UI-MOPD/Qwen3-VL-8B-Thinking-Desktop-SFT",
    torch_dtype="auto",
    device_map="auto",
)
processor = AutoProcessor.from_pretrained("UI-MOPD/Qwen3-VL-8B-Thinking-Desktop-SFT")

Citation

@misc{lian2026uimopdmultiplatformonpolicydistillation,
      title={UI-MOPD: Multi-Platform On-Policy Distillation for Continual GUI Agent Learning}, 
      author={Niu Lian and Alan Chen and Zhehao Yu and Chengzhen Duan and Fazhan Liu and Hui Liu and Pei Fu and Jian Luan and Yaowei Wang and Shu-Tao Xia and Jinpeng Wang},
      year={2026},
      eprint={2607.04425},
      archivePrefix={arXiv},
      primaryClass={cs.CL},
      url={https://arxiv.org/abs/2607.04425}, 
}

Related Resources

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
40bd5fb

0 моделей