/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
7,1 млрд
Размер весов
16,6 ГБ
Лицензия
openmdw-1.0
Архитектура
qwen2_5_vl · dense
Базовая модель
actio-ui-7b-sft
Библиотека
transformers
Опубликована
5 дек 2025

actio-ui-7b-rlvr

Изображение и текст → текст4 профессии

Мультимодальная модель Orby AI и Uniphore для выполнения коротких подзадач в веб-интерфейсах по текстовым инструкциям и снимкам экрана.

131скачиваний за 30 дней6лайковвеса обновлены7 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

ActIO-UI-7B-RLVR — мультимодальная модель зрения и языка, разработанная Orby AI, подразделением Uniphore, для выполнения коротких подзадач в веб-интерфейсах по инструкциям на естественном языке. Она основана на Qwen2.5-VL-7B-Instruct и дообучена методом обучения с подкреплением с проверяемыми наградами поверх контрольной точки ActIO-UI-7B-SFT.

Модель принимает изображения интерфейса и текстовые инструкции, а в ответ формирует текст, описывающий решение подзадачи. Типичные сценарии — выбор даты в календаре, прокрутка контейнера и извлечение сведений со страницы; модель также рассчитана на визуальное сопоставление элементов интерфейса с инструкциями. Архитектура — плотная Qwen2.5-VL с 7,1 млрд параметров; контекст составляет до 128 000 токенов. Для входного изображения README рекомендует размер 1280 × 720 пикселей. Основной язык карточки — английский.

В опубликованных авторами результатах модель превосходит базовую Qwen2.5-VL-7B на ряде тестов GUI-подзадач и взаимодействия с веб-интерфейсами, однако показатели зависят от бенчмарка и сценария. Это специализированная модель: результаты тестирования не гарантируют надёжного выполнения произвольных длинных задач или корректной работы на всех сайтах. Лицензия репозитория — OpenMDW-1.0; авторы заявляют исследовательское и образовательное назначение и запрещают незаконное, неэтичное или вредное использование.

Сценарии применения

  • выбор даты в календаре на веб-странице
  • прокрутка области интерфейса для поиска сведений
  • поиск нужного элемента управления по текстовой инструкции
  • извлечение информации из видимой области веб-страницы
  • передача визуально обоснованного ответа агенту для работы с браузером

Ограничения

Модель ориентирована на короткие подзадачи GUI, поэтому её результаты не гарантируют успешного выполнения произвольных длинных сценариев. README рекомендует подавать изображения размером 1280 × 720 пикселей; модель предназначена для исследовательского и образовательного использования.

Для каких профессий подходит4

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

🌐 Website 📝 Paper 💻 Code

Introduction

ActIO-UI-7B-RLVR is a model trained for web GUI subtask execution. We introduce it in the paper WARC-Bench: Web Archive based Benchmark for GUI Subtask Executions. Its base model is Qwen2.5-VL-7B-Instruct. We define a GUI subtask as a short-horizon web interaction task that correspond to simple natural language instructions within a larger web browsing workflow. Some examples of subtasks include choosing the correct date in a date picker or scrolling in a container to extract information. ActIO-UI-7B-RLVR achieves state-of-the-art (SOTA) results for open-source models on WARC-Bench, our GUI subtask benchmark. It also exhibits improved long-horizon GUI task and grounding capabilities when compared with its base model. We provide a performance summary of the ActIO-UI model family below.

ModelWARC-Bench (test split)WebArena (no map)Miniwob++ScreenSpot V2
ActIO-UI-7B-SFT27.33 %13.40 %29.60 %80.03 %
ActIO-UI-7B-RLVR29.17 %7.31 %36.27 %75.81 %
ActIO-UI-72B-SFT48.33 %23.05 %45.87 %84.12 %
ActIO-UI-72B-RLVR52.33 %26.80 %59.20 %82.44 %

ActIO-UI is developed by Orby AI, a Uniphore company. Please direct all correspondence to Sanjari Srivastava and Peng Qi (first_name.last_name at uniphore.com).

Model Family

  • ActIO-UI-7B-SFT: a 7B model trained with supervised finetuning (SFT) using distilled subtask data.
  • ActIO-UI-7B-RLVR: a 7B model trained with Reinforcement Learning with Verifiable Rewards (RLVR) over the ActIO-UI-7B-SFT checkpoint.
  • ActIO-UI-72B-SFT (private due to Qwen licensing restrictions): a 72B model trained with SFT using distilled subtask data.
  • ActIO-UI-72B-RLVR (private due to Qwen licensing restrictions): a 72B model trained with RLVR over the ActIO-UI-72B-SFT checkpoint.

Performance

GUI Subtask (WARC-Bench)

ActIO-UI models are specifically trained to solve GUI subtask problems. Both the 7B and 72B ActIO-UI RLVR models achieves SOTA performance for their respective sub-categories of 7B or 72B open-source models.

ModelDev [synthetic]Dev [real]Dev [total]Test
Closed-source
OpenAI computer-use-preview (2025-03-11)CUA62.1749.4458.9633.83
GPT-4o (2024-11-20)7.8714.519.549.17
GPT-5 (2025-08-07)72.6661.6769.8951.33
Claude Sonnet 4.0 (2025-05-14)CUA79.9276.1178.9647.17
Claude Sonnet 3.7 (2025-02-19)82.9678.8981.9359.83
Claude Sonnet 4.0 (2025-05-14)84.2781.6783.6164.83
Open-source — Small
Qwen2.5-VL 7B16.8511.6715.544.67
UI-Tars 1.5 7BCUA44.0126.5539.6610.33
OpenCUA 7BCUA*48.0341.6746.4314.00
ActIO-UI-7B-SFT70.6054.4966.5427.33
ActIO-UI-7B-RLVR78.0954.4472.1329.17
Open-source — Large
OpenCUA 32BCUA*51.1241.6748.7417.50
Qwen2.5-VL 72B64.2351.6761.0637.33
ActIO-UI-72B-SFT78.2368.8975.8848.33
ActIO-UI-72B-RLVR87.6478.3384.3152.33

Trajectory-level success rates on WARC-Bench. Small VLMs (7B params) are grouped under “Open-source — Small”. Results are divided into closed (top) vs. open-source (bottom). CUA = evaluated with provider’s computer-use agent; others use our Subtask Vision Agent (SVA) design. Rows marked with * denote averages across fewer than 3 runs; all others are averages of 3 runs. Bold = best per benchmark. Underline = best inside its sector (closed; open-source small; open-source large).

Other Benchmarks

To access generalizability of GUI subtask execution as a model capability, we compare the performance of ActIO-UI over GUI subtasks (WARC-Bench), long-horizon tasks (WebArena), short-horizon tasks (Miniwob++), and GUI visual grounding (ScreenSpot V2). Without access to any long-horizon and grounding data in its training dataset, our models show improved performance over their base models (except for the grounding performance when compared to Qwen 2.5 VL 72B).

ModelWARC-Bench (test split)WebArena (no map)Miniwob++ScreenSpot V2
Public Models
Qwen 2.5 VL 7B4.67 %3.07 %12.53 %51.62 %
Qwen 2.5 VL 72B37.33 %15.68 %53.87 %88.05 %
GPT-5 (2025-08-07)51.33 %34.06 %52.27 %26.39 %
Claude 4 Sonnet64.83 %37.96 %71.73 %85.06 %
Ours
ActIO-UI-7B-SFT27.33 %13.40 %29.60 %80.03 %
ActIO-UI-7B-RLVR29.17 %7.31 %36.27 %75.81 %
ActIO-UI-72B-SFT48.33 %23.05 %45.87 %84.12 %
ActIO-UI-72B-RLVR52.33 %26.80 %59.20 %82.44 %

Each number is an average of 3 runs. Bold = best per benchmark. We omit the OpenStreetMap portion of the WebArena benchmark due to technical difficulties with the online map service. For Screenspot V2, we limit the agent action space to \texttt{click(...)} only. For each evaluation, we use the same prompt format built inside our Subtask Vision Agent

Usage

Image Input Size

To maintain optimal model performance, each input image should be set at 1280 (pixel width) \(\times\) 720 (pixel height).

Setup

To run the code snippets below, we recommend that you install everything in requirements.txt in a python environment.

python -m venv ./venv
source venv/bin/activate
pip install -r requirements.txt

Sanity test

You can make an inference call to the model with the sanity.py file included in this repository.

python sanity.py

Note that this is only a sanity test for ensuring model is working properly. For replicating the evaluation result or using the model for your own project, please refer to our code repository on GitHub.

Legal

License

This project is licensed under the Open Model, Data, & Weights License Agreement (OpenMDW). See the LICENSE file in the root folder for details.

The authors, contributors, and copyright holders are not responsible for any illegal, unethical, or harmful use of the Software, nor for any direct or indirect damages resulting from such use. Use of the name, logo, or trademarks of "ActIO", "ActIO-UI" "WARC-Bench", or "Uniphore" does not imply any endorsement or affiliation unless separate written permission is obtained. Users are solely responsible for ensuring their use complies with applicable laws and regulations.

Value Statement

The model should not be used for any purpose or activity that violates applicable laws or regulations in any jurisdiction.

Use for illegal, unethical, or harmful activities should be prohibited.

ActIO-UI are intended for research and educational purposes only.

Citation

If you find our work useful, please cite with

@misc{srivastava2025warcbenchwebarchivebased,
      title={WARC-Bench: Web Archive Based Benchmark for GUI Subtask Executions}, 
      author={Sanjari Srivastava and Gang Li and Cheng Chang and Rishu Garg and Manpreet Kaur and Charlene Y. Lee and Yuezhang Li and Yining Mao and Ignacio Cases and Yanan Xie and Peng Qi},
      year={2025},
      eprint={2510.09872},
      archivePrefix={arXiv},
      primaryClass={cs.LG},
      url={https://arxiv.org/abs/2510.09872}, 
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2_5_VLForConditionalGeneration
Ревизия весов
c24e367

0 моделей