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: 29 июл 2026

Ссылки

appgen-qwen3-uedgrpo-ngc-amex-pbrs-v32r12-step130

Изображение и текст → текст

Производная модели namhokaist/appgen-qwen3-model-e-uedgrpo-awlegacy-stalesparse-v47-h200x8-s100-20260807-step70. Дообученная Qwen3-VL-8B-Instruct для исследований визуальных агентов Android, связывающая текстовые инструкции с изображениями экранов.

9скачиваний за 30 дней0лайковвеса обновлены29 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.

Добавьте модель в бенчмарк
Вместе с другими моделями категории «Изображение → текст» — сравнение идёт внутри одной категории.
Опишите свои задачи
Напишите запросы, при необходимости приложите файлы и эталонные ответы.
Запустите и опубликуйте
Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Открыть конструктор бенчмарка

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

Карточка модели luca0621/appgen-qwen3-uedgrpo-ngc-amex-pbrs-v32r12-step130 на Hugging Face совпадает с карточкой namhokaist/appgen-qwen3-model-e-uedgrpo-awlegacy-stalesparse-v47-h200x8-s100-20260807-step70, поэтому описание составлено по ней.

AppGen Qwen3-VL frozen SFT — A-variant arm E — это дообученная namhokaist модель на базе Qwen/Qwen3-VL-8B-Instruct, разработанная для исследований визуальных агентов Android. Она принимает изображения интерфейсов и текстовые инструкции, а затем формирует текстовые ответы для задач работы с экраном. Веса визуального энкодера и модулей выравнивания заморожены, а языковая модель и LM head дообучены; обучение проведено на наборах AppGen SFT и AMEX. Репозиторий содержит финальный чекпойнт в формате safetensors и распространяется по лицензии Apache-2.0.

Модель предназначена для анализа интерфейсов Android и визуального заземления инструкций. В README не приводятся оценки качества, а статические бенчмарки не подтверждают успешность интерактивных задач AndroidWorld. Модель заявлена для исследований визуальных агентов и не предназначена для критически важных автономных развертываний.

Сценарии применения

анализ скриншотов интерфейса Android по текстовой инструкции
визуальное заземление инструкций на элементах мобильного интерфейса
исследования визуальных агентов для мобильных приложений

Ограничения

В карточке не заявлены оценки качества; статические тесты не подтверждают успех на интерактивных задачах AndroidWorld. Модель не предназначена для критически важных автономных развертываний.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

AppGen Qwen3-VL frozen SFT — A-variant arm E

This is arm ngc_anchor_lr2p5e7 from a preregistered four-arm follow-up to the best NGC configuration A. The language model was fully fine-tuned while the complete Qwen3-VL visual tower, merger, and deep-stack mergers remained frozen. Publication verifies every model.visual tensor byte-for-byte against the pinned base and verifies that language-model weights changed.

Training contract

Base: Qwen/Qwen3-VL-8B-Instruct at commit 0c351dd01ed87e9c1b53cbc748cba10e6187ff3b
Sources: luca0621/appgen-sft-ngc-v1 at 769ea99dbc4ff190048ae0db37eb6310dba595e0 and Yuxiang007/AMEX at 17196b29c88dd48a7fb90ef9131bc5c7bf39f26e
Dataset variant: ngc_anchor
Dataset SHA-256: 8890e2fe596e4d78714ce4309f2a59ed9632dd5d656f758c8dc4608d46a9c6bc
Exposures: 3,588; unique semantic examples: 3,168
Direct-grounding exposures: 400
Completion-retention replay exposures: 420
Image provenance: synthetic AppGen HTML-to-PNG
Coordinates: normalized 0–1000
Prompt: proven A prompt; SHA-256 67ff8adb0e78a617f3d0edcf196d4e4cc3239967a8c30619fc5afc14484ee8c0
Optimizer: full-language AdamW, learning rate 2.5e-07, cosine schedule, 5% warmup
Batch: microbatch 4 × two GPUs × gradient accumulation 4 = global batch 32
Epochs: 1; optimizer updates: 113
Loss scale: Swift default
Frozen: visual encoder and aligner; trainable: language model and LM head

Only the final checkpoint (checkpoint-113) is published. The exact system prompt is appgen_system_prompt.txt; run_manifest.json records exact hashes, the dataset receipt, overlap audit, and weight verification. Intermediate 25-step checkpoints remain local.

Evaluation and limitations

The training/evaluation overlap gate compares EXIF-transposed decoded RGBA pixels plus image dimensions against the seven pinned AW7 test suites. It also compares normalized instruction hashes. The exact pinned receipt must report zero train/eval pixel and instruction overlaps for every data variant and suite before publication. Static grounding benchmarks are not a substitute for interactive AndroidWorld task success, and no score is claimed in this card.

This model is for Android visual-agent research, not safety-critical autonomous deployment.

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: 4cec296