/ Модель

Характеристики

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

MemGUI-8B-SFT

Изображение и текст → текст3 профессии

Мультимодальная модель на 8 млрд параметров для многошагового управления мобильным интерфейсом по снимкам экрана с ведением контекста действий.

95скачиваний за 30 дней6лайковвеса обновлены19 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

MemGUI-8B-SFT — мультимодальный агент управления мобильным графическим интерфейсом, разработанный авторами проекта MemGUI и дообученный методом supervised fine-tuning на базе Qwen/Qwen3-VL-8B-Instruct. Модель предназначена для многошагового выполнения задач на мобильных устройствах и проактивного управления контекстом во время работы с интерфейсом.

На вход модель получает системную инструкцию MemGUI-Agent, цель и структурированное состояние диалога, а также снимок экрана. В ответ она формирует структурированный вывод по протоколу ConAct: рассуждение, свёртку истории действий, вызов UI- или memory-инструмента, наблюдение за интерфейсом и намерение следующего действия. Для выполнения действий требуется система MemGUI-Agent, которая предоставляет инструменты и исполняет их вызовы. Модель не предназначена для использования как универсальный чат-бот.

В карточке указано обучение на наборе MemGUI-3K, содержащем 2 956 успешных траекторий и 64 430 размеченных шагов. В оценке MemGUI-Bench модель показала Pass@1 23,4 и Pass@3 35,9; на MobileWorld GUI-Only — 17,9% успешных выполнений. Опубликована под лицензией Apache 2.0.

Сценарии применения

  • выполнение многошаговых задач в мобильных приложениях
  • управление Android-интерфейсом по снимкам экрана
  • выбор следующего действия в графическом интерфейсе
  • свёртка истории действий и состояния интерфейса
  • исследование агентов мобильного GUI и управления контекстом

Ограничения

Требует системной инструкции, структурированного состояния MemGUI-Agent и среды, исполняющей вызовы инструментов; не является универсальным чат-ботом. В опубликованной оценке успешность составила 23,4% Pass@1 на MemGUI-Bench и 17,9% на MobileWorld GUI-Only.

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

MemGUI-8B-SFT

Project Page | Paper | Code

MemGUI-8B-SFT is an 8B MemGUI-Agent model trained from Qwen3-VL-8B-Instruct on MemGUI-3K. It is designed for long-horizon mobile GUI control with proactive context management.

The model follows the ConAct Context-as-Action protocol. At each step, it produces a structured response with reasoning, history folding, a UI or memory tool call, a grounded UI observation, and the next action intent. This allows the agent to manage three context fields while acting: Folded Action History, Folded UI State, and Recent Step Record.

Model Details

  • Model type: multimodal mobile GUI agent
  • Base model: Qwen/Qwen3-VL-8B-Instruct
  • Training data: lgy0404/MemGUI-3K
  • Training recipe: supervised fine-tuning with ms-swift
  • Output protocol: ConAct 5-part structured output
  • License: Apache 2.0

Intended Use

MemGUI-8B-SFT is intended for research on mobile GUI agents, long-horizon GUI control, context management, UI memory, and history folding. It can be used as an action policy in mobile GUI environments that provide screenshots and execute structured tool calls.

This model is not a general-purpose chatbot. It expects the MemGUI-Agent system prompt, a screenshot, and a structured mobile GUI context state.

Input and Output Format

The model expects a multimodal conversation with:

  • a system prompt defining the MemGUI-Agent tools and response format,
  • a user message containing <image> plus the task goal and structured context,
  • one screenshot image.

The assistant response follows this order:

<thinking>...</thinking>
<folding>{"range": [start_step, current_step], "summary": "..."}</folding>
<tool_call>{"name": "mobile_use", "arguments": {...}}</tool_call>
<ui_observation>...</ui_observation>
<action_intent>...</action_intent>

For the first step of a trajectory, <folding> is omitted because there is no previous step to fold.

Evaluation

BenchmarkMetricScore
MemGUI-BenchPass@123.4
MemGUI-BenchPass@335.9
MemGUI-BenchIRR30.2
MobileWorld GUI-OnlySuccess Rate17.9

On MemGUI-Bench, MemGUI-8B-SFT improves over the Qwen3-VL-8B-Instruct baseline and achieves the best open-data 8B performance reported in our experiments. On MobileWorld GUI-Only, it transfers beyond the source benchmark and reaches 17.9% success rate.

Dataset

MemGUI-3K contains 2,956 successful mobile GUI trajectories and 64,430 reasonable step-level training samples with ConAct annotations. The dataset includes full trajectories, screenshots, step-level reasonableness annotations, and multimodal training files.

Dataset page: https://huggingface.co/datasets/lgy0404/MemGUI-3K

Citation

@article{memguiagent2026,
  title = {MemGUI-Agent: An End-to-End Long-Horizon Mobile GUI Agent with Proactive Context Management},
  author = {Guangyi Liu and Gao Wu and Congxiao Liu and Pengxiang Zhao and Liang Liu and Mading Li and Qi Zhang and Mengyan Wang and Liang Guo and Yong Liu},
  year = {2026},
  journal = {arXiv preprint arXiv:2606.19926}
}

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
7c16705

0 моделей