/ Модель

Характеристики

Контекст
128 000 токенов
Размер весов
20,6 ГБ
Лицензия
Своя лицензия
Архитектура
glm4v · dense
Библиотека
transformers
Опубликована
9 июл 2026

ScaleCUA-glm4.6v-osworld-sft

Изображение и текст → текст3 профессии

Стартовая SFT-модель ScaleCUA на базе GLM-4.6V-Flash для обучения и оценки агента управления компьютером в OSWorld.

17скачиваний за 30 дней0лайковвеса обновлены20 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

ScaleCUA-glm4.6v-osworld-sft — контрольная точка модели GLM-4.6V-Flash от команды ScaleCUA, подготовленная для управления графическим интерфейсом и обучения агента работе с компьютером в среде OSWorld. Это стартовая точка SFT для последующего онлайн-обучения с подкреплением; в проекте также описаны синтез проверяемых GUI-задач VeriGen, Frontier Sampling и Visual Context Segmentation.

Модель принимает изображения и текст и формирует текстовые ответы для сценариев взаимодействия с интерфейсом. Репозиторий использует архитектуру GLM-4V и формат safetensors; для запуска в README предлагается OpenAI-совместимый сервер vLLM.

Сценарии применения

  • обучение агента управлению графическим интерфейсом
  • выполнение задач в настольной среде OSWorld
  • интерпретация скриншотов интерфейса при управлении компьютером

Ограничения

Это стартовая SFT-контрольная точка для последующего онлайн-обучения с подкреплением; README указывает, что выпущенный агент RL доступен отдельно. В карточке указана лицензия other без дополнительных условий.

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

ScaleCUA-glm4.6v-osworld-sft

A GLM-4.6V-Flash computer-use agent from ScaleCUA, trained for OSWorld. Stage: SFT start-point.

What is this

This is the SFT start-point checkpoint used to initialize online RL; the corresponding RL checkpoint is the released agent (see the collection).

ScaleCUA scales online RL for computer-use agents by pairing VeriGen (verifiable GUI-task synthesis) with Frontier Sampling and Visual Context Segmentation. See the repo for details.

Usage

Serve with an OpenAI-compatible server (e.g. vLLM) and drive it with the evaluation runtime in osworld_eval:

pip install -U vllm
python -m vllm.entrypoints.openai.api_server --model extreme1228/ScaleCUA-glm4.6v-osworld-sft \
  --served-model-name scalecua --trust-remote-code --port 8000

Then follow REPRODUCE.md to run OSWorld evaluation.

Results

(see the paper for the full table).

License

Weights are released for research; the model inherits the license of its base model (GLM-4.6V-Flash). Repository code is under the licenses in the GitHub repo.

Citation

@misc{lv2026scalecua,
  title  = {ScaleCUA: Scaling Computer Use Agents with Verifiable Task Synthesis and Efficient Online RL},
  author = {Bowen Lv and Xiao Liu and Yanyu Ren and Hanyu Lai and Bohao Jing and Hanchen Zhang and Yanxiao Zhao and Shuntian Yao and Jie Tang and Yuxiao Dong},
  year   = {2026},
  url    = {https://github.com/THUDM/SCALE-CUA}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Glm4vForConditionalGeneration
Ревизия весов
b13810f

0 моделей