/ Модель

Характеристики

Контекст
1 024 токена
Лицензия
MIT
Архитектура
florence2 · dense
Библиотека
transformers
Опубликована
11 июл 2026

PhoneUIAnchor-829M

Генерация текстаТекст → текст4 профессии

Модель Florence-2-large находит заданные текстом элементы на скриншотах интерфейсов и возвращает их координаты.

155скачиваний за 30 дней14лайковвеса обновлены12 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 «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

PhoneUIAnchor-829M — модель компьютерного зрения и языка на архитектуре Florence-2-large, предназначенная для поиска элементов мобильных и веб-интерфейсов. По скриншоту и текстовому описанию она возвращает нормированные координаты центра целевого элемента в диапазоне 0–999. Модель содержит 829 млн параметров и поставляется как самостоятельный чекпойнт в формате Safetensors для загрузки через Transformers.

Модель подходит для визуального управления GUI-агентами, автоматизации тестирования, поиска элементов по назначению или внешним признакам и вспомогательных интерфейсов. Координаты можно сопоставить со скриншотами разных размеров, а запуск возможен локально без внешнего API. Указанная лицензия — MIT.

Обучающие данные преимущественно охватывают мобильные интерфейсы, поэтому качество на настольных, игровых, встроенных и сильно кастомизированных интерфейсах может быть ниже. Точность координат также снижается для очень маленьких, перекрытых или неоднозначных элементов; предсказания следует проверять перед автоматизацией действий с высокими последствиями.

Сценарии применения

  • поиск кнопки или поля на скриншоте мобильного приложения
  • определение координат элемента по его назначению
  • поиск элемента интерфейса по внешнему или семантическому описанию
  • визуальное управление GUI-агентом
  • автоматизация тестирования мобильных интерфейсов
  • поиск элементов для вспомогательных интерфейсов

Ограничения

Обучающие данные преимущественно охватывают мобильные интерфейсы, поэтому качество может быть ниже на настольных, игровых, встроенных и сильно кастомизированных интерфейсах. Точность координат снижается для очень маленьких, перекрытых или визуально неоднозначных элементов.

Для каких профессий подходит4

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

PhoneUIAnchor-829M

PhoneUIAnchor-829M is a vision-language model for locating elements in mobile and web interfaces. Given a screenshot and a natural-language description, it returns the normalized center point of the target element. It can be used with GUI agents, test automation, accessibility tools, and similar visual workflows.

This repository contains a complete, standalone checkpoint that can be loaded directly with Transformers without additional model files.

Capabilities

  • Intent grounding: locate the control required to complete an action.
  • Description grounding: locate an element from visible or semantic traits.
  • Function grounding: locate a control from a detailed functionality description.
  • Cross-resolution output: return normalized 0-999 coordinates that can be mapped to any screenshot size.
  • Local deployment: run from a single 829M-parameter model without an external inference API.

Technical Profile

PropertyValue
ArchitectureFlorence-2-large
TaskGUI element grounding
Parameters829M
Output contract<loc_x>,<loc_y>
Weight formatSafetensors
Recommended precisionBF16
Tested stackPython 3.10, PyTorch 2.4.1, CUDA 12.1

Installation

pip install -r requirements.txt

Usage

The packaged Florence-2 implementation uses custom model code. Review the included Python files and load with trust_remote_code=True.

import re
import torch
from PIL import Image
from transformers import AutoModelForCausalLM, AutoProcessor

model_id = "lumimate/PhoneUIAnchor-829M"
model = AutoModelForCausalLM.from_pretrained(
    model_id,
    trust_remote_code=True,
    torch_dtype=torch.bfloat16,
    attn_implementation="sdpa",
).cuda().eval()
processor = AutoProcessor.from_pretrained(model_id, trust_remote_code=True)

image = Image.open("ui_screenshot.png").convert("RGB")
prompt = (
    'Where is the "Settings" element? '
    '(Output the center coordinates of the target)'
)
inputs = processor(images=image, text=prompt, return_tensors="pt").to(
    "cuda", dtype=torch.bfloat16
)

with torch.inference_mode():
    output_ids = model.generate(
        **inputs,
        do_sample=False,
        max_new_tokens=16,
    )

text = processor.tokenizer.batch_decode(
    output_ids, skip_special_tokens=False
)[0]
match = re.search(r"<loc_(\d+)>,<loc_(\d+)>", text)
point = tuple(map(int, match.groups())) if match else None

x_px = point[0] / 999 * image.width
y_px = point[1] / 999 * image.height
print({"normalized": point, "pixels": (x_px, y_px)})

A command-line implementation is included in inference_example.py.

Intended Use

PhoneUIAnchor-829M is intended for research and product prototyping in GUI perception, agentic interaction, automated testing, and assistive interfaces. Predictions should be validated before high-impact or irreversible automation.

Limitations

  • Development data emphasizes mobile user interfaces and may not cover every desktop, game, embedded, or highly customized UI style.
  • Coordinate quality can degrade on very small, occluded, or visually ambiguous controls.

Architecture and Licensing

PhoneUIAnchor-829M uses the Florence-2 architecture and is distributed under the terms provided in LICENSE.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Florence2ForConditionalGeneration
Ревизия весов
aba4d5a

0 моделей