/ Модель

Характеристики

Размер весов
34,7 ГБ
Лицензия
Apache 2.0
Архитектура
molmo_point · dense
Базовая модель
MolmoPoint-8B
Опубликована
17 мар 2026

MolmoPoint-GUI-8B

Изображение и текст → текст3 профессии

Открытая мультимодальная модель Ai2, которая находит запрошенный элемент графического интерфейса на одном изображении и указывает его точкой.

441скачиваний за 30 дней20лайковвеса обновлены24 мар 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

MolmoPoint-GUI-8B — открытая мультимодальная модель Allen Institute for AI (Ai2), специализированная версия MolmoPoint-8B для указания элементов графического интерфейса на изображениях. Она принимает одно изображение и текстовый запрос-инструкцию, а в ответе выдаёт одну точку, кодируемую специальными grounding-токенами вместо текстовых координат. Модель относится к семейству MolmoPoint, использует плотную архитектуру и доступна в формате safetensors; основной сценарий применения — привязка запроса пользователя к конкретному месту на экране. В README сообщается результат 61,1 на ScreenSpotPro.

Модель подходит для поиска кнопок и других элементов интерфейса по инструкциям, например для систем компьютерного управления и автоматизации взаимодействия с экраном. По сравнению с общей MolmoPoint-8B она узкоспециализирована: поддерживает только одиночное изображение и выдаёт одну точку. Лицензия — Apache-2.0.

Сценарии применения

  • указание кнопки или элемента интерфейса по текстовой инструкции
  • поиск нужного элемента на снимке экрана
  • определение точки клика для автоматизации интерфейса
  • привязка команды пользователя к месту на экране

Ограничения

Принимает только одно изображение за запрос и выдаёт одну точку; модель не предназначена для обучения из опубликованного репозитория Hugging Face.

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

MolmoPoint-GUI-8B

MolmoPoint-GUI-8B is a fully-open VLM developed by the Allen Institute for AI (Ai2) that is specialized for GUI pointing. As specialized model, it only supports single image input with instruction-like queries, and will output a single point. See MolmoPoint-8B for a generalist model. MolmoPoint-GUI-8B points using grounding-tokens instead of text coordinates and reaches 61.1 on ScreenSpotPro, see our paper for details.

Note the huggingface MolmoPoint model does not support training, see our github repo for the training code.

Quick links:

Quick Start

Setup Conda Environment

conda create --name transformers4571 python=3.11
conda activate transformers4571
pip install transformers==4.57.1
pip install torch pillow einops torchvision accelerate decord2

Inference

We recommend running MolmoPoint with logits_processor=model.build_logit_processor_from_inputs(model_inputs) to enforce points tokens are generated in a valid way.

In MolmoPoint, instead of coordinates points will be generated as a series of special tokens, decoding the tokens back into points requires some additional metadata from the preprocessor. The metadata is returned by the preprocessor using the return_pointing_metadata flag. Then model.extract_image_points to do the decoding, it returns a list of (image_id, object_id, pixel_x, pixel_y) output points.

Note this model is only trained for single-image GUI screenshot input.

Image Pointing Example:

from transformers import AutoProcessor, AutoModelForImageTextToText
import torch

checkpoint_dir = "allenai/MolmoPoint-Img-8B"  # or path to a converted HF checkpoint

model = AutoModelForImageTextToText.from_pretrained(
    checkpoint_dir,
    trust_remote_code=True,
    dtype="auto",
    device_map="auto",
)

processor = AutoProcessor.from_pretrained(
    checkpoint_dir,
    trust_remote_code=True,
    padding_side="left",
)

image_messages = [
    {
        "role": "user",
        "content": [
            {"type": "text", "text": "open microsoft edge"},
            {"type": "image", "image": "https://assets.techrepublic.com/uploads/2020/08/windows-10-start-menu.jpg"},
        ]
    }
]

inputs = processor.apply_chat_template(
    image_messages,
    tokenize=True,
    add_generation_prompt=True,
    return_tensors="pt",
    return_dict=True,
    padding=True,
    return_pointing_metadata=True
)
metadata = inputs.pop("metadata")
inputs = {k: v.to("cuda") for k, v in inputs.items()}

with torch.inference_mode(), torch.autocast("cuda", dtype=torch.bfloat16):
    output = model.generate(
        **inputs,
        logits_processor=model.build_logit_processor_from_inputs(inputs),
        max_new_tokens=200
    )

generated_tokens = output[:, inputs["input_ids"].size(1):]
generated_text = processor.post_process_image_text_to_text(generated_tokens, skip_special_tokens=False, clean_up_tokenization_spaces=False)[0]
points = model.extract_image_points(
    generated_text,
    metadata["token_pooling"],
    metadata["subpatch_mapping"],
    metadata["image_sizes"]
)

print(points)
# points as a list of [object_id, image_num, x, y]
# expected: [[1, 0, np.float64(250.42718446601944), np.float64(274.73276923076924)]]

License and Use

This model is licensed under Apache 2.0. It is intended for research and educational use in accordance with Ai2’s Responsible Use Guidelines. This model is trained on third party datasets that are subject to academic and non-commercial research use only. Please review the sources to determine if this model is appropriate for your use case.

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
MolmoPointForConditionalGeneration
Ревизия весов
0337d39

0 моделей