/ Модель

Характеристики

Контекст
262 144 токена
Лицензия
Apache 2.0
Архитектура
qwen3_5 · dense
Базовая модель
Qwen3.5-4B
Библиотека
transformers
Опубликована
12 июн 2026

VISTA-4B

Изображение и текст → текст3 профессии

VISTA-4B сопоставляет снимок графического интерфейса и текстовую инструкцию, чтобы выдать координаты целевого элемента для клика.

129скачиваний за 30 дней9лайковвеса обновлены15 июн 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

VISTA-4B — модель зрения и языка для привязки текстовых инструкций к элементам графического интерфейса. Её разработала команда inclusionAI на основе семейства Qwen3.5; метаданные указывают на слияние моделей Qwen3.5-4B и Qwen3.5-9B. Архитектура — плотная Qwen3.5 с генерацией текста по изображению и тексту; модель использует библиотеку Transformers и формат Safetensors. Лицензия — Apache-2.0.

Модель принимает снимок экрана и инструкцию на естественном языке и возвращает координаты точки в нормализованной системе 0–1000. Она обучена методом VISTA — View-Consistent Self-Verified Training, с сопоставлением разных геометрических представлений одного интерфейса и самопроверкой предсказаний. Предназначена для локализации целей в GUI и может служить компонентом систем автоматизации интерфейсов.

В README приведены результаты на наборах SSPro, SSV2, OSWorld-G и OSWorld-G-R; при этом оценка засчитывается, если предсказанная точка попадает внутрь целевого элемента. Для вызова используется интерфейс чата с изображением, аналогичный базовой модели. Описанный выход ограничен координатой клика; оценки получены при детерминированной генерации и одиночном представлении экрана. Указанная в метаданных поддержка английского языка не означает, что модель рассчитана только на англоязычные интерфейсы.

Сценарии применения

  • поиск координат кнопки по текстовой инструкции
  • наведение курсора на элемент веб-страницы по снимку экрана
  • автоматизация кликов в графических интерфейсах
  • локализация элемента управления в интерфейсе приложения

Ограничения

Модель выдаёт одну точку в нормализованной системе координат, а не полную последовательность действий; приведённые оценки получены при детерминированной генерации и одиночном представлении экрана.

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

VISTA-4B

VISTA-4B are GUI-grounding vision-language models trained from Qwen3.5 4B backbones with VISTA: View-Consistent Self-Verified Training for GUI Grounding.

License Paper Website GitHub

Model Description

VISTA-4B is a GUI-grounding model that maps a screenshot and a natural-language instruction to a click coordinate in the normalized 0-1000 image frame.

  • View-consistent GRPO training. VISTA builds each GRPO comparison group from target-preserving views of the same GUI instance, with exact coordinate remapping across cropped views. This exposes localization behavior under semantically equivalent but geometrically different screenshots.
  • Self-verified cross-view anchoring. The training objective adds an oracle-format center-point anchor only when model-generated rollouts have already produced a maximum-reward prediction, stabilizing short coordinate generation without unconditional imitation on all-fail groups.

Evaluation

Accuracy is reported for GUI grounding. The model predicts a normalized coordinate in the 0-1000 frame, and the prediction is counted as correct if the point lies inside the target element. All reported results use deterministic decoding at temperature 0 and single-view inference.

Results on GUI Grounding benchmarks

ModelSSProSSV2OSWorld-GOSWorld-G-R
Qwen3.5-4B60.390.454.466.8
GRPO-4B62.294.259.969.2
VISTA-4B64.293.861.269.7
Δ+2.0-0.4+1.3+0.5
Qwen3.5-9B65.291.963.174.6
GRPO-9B68.395.267.575.2
VISTA-9B69.295.868.175.5
Δ+0.9+0.6+0.6+0.3
Qwen3.5-35B-A3B68.693.865.872.5
GRPO-35B-A3B71.795.770.474.3
VISTA-35B-A3B72.995.871.575.3
Δ+1.2+0.1+1.1+1.0

Quick Start

Use the same image-chat interface as the underlying Qwen3.5 vision-language model. The recommended prompt is:

Output the center point of the position corresponding to the instruction: {instruction}. The output should just be the coordinates of a point, in the format [x,y].

Example:

import torch
from PIL import Image
from transformers import AutoModelForImageTextToText, AutoProcessor

model_id = "inclusionAI/VISTA-4B"  

model = AutoModelForImageTextToText.from_pretrained(
    model_id,
    torch_dtype=torch.bfloat16,
    device_map="auto",
    trust_remote_code=True,
)
processor = AutoProcessor.from_pretrained(model_id, trust_remote_code=True)

image = Image.open("screenshot.png").convert("RGB")
instruction = "Click the search button"
prompt = (
    "Output the center point of the position corresponding to the instruction: "
    f"{instruction}. The output should just be the coordinates of a point, "
    "in the format [x,y]."
)

messages = [
    {
        "role": "user",
        "content": [
            {"type": "image", "image": image},
            {"type": "text", "text": prompt},
        ],
    }
]

text = processor.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True,
)
inputs = processor(
    text=[text],
    images=[image],
    padding=True,
    return_tensors="pt",
).to(model.device)

generated = model.generate(
    **inputs,
    max_new_tokens=32,
    do_sample=False,
)
new_tokens = generated[:, inputs.input_ids.shape[1]:]
response = processor.batch_decode(new_tokens, skip_special_tokens=True)[0].strip()
print(response)  # e.g. [512,384]

Citation

Please consider citing if you find our work useful:

@misc{qiu2026vista,
      title={VISTA: View-Consistent Self-Verified Training for GUI Grounding},
      author={Xinyu Qiu, Yunzhu Zhang, Heng Jia, Shuheng Shen, Changhua Meng, Linchao Zhu},
      year={2026},
      eprint={2606.14579},
      archivePrefix={arXiv},
      primaryClass={cs.AI},
      url={https://arxiv.org/abs/2606.14579},
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3_5ForConditionalGeneration
Ревизия весов
5cccfea

0 моделей