/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
35,1 ГБ
Лицензия
MIT
Архитектура
qwen3_vl · dense
Базовая модель
Qwen3-VL-8B-Instruct
Библиотека
transformers/
Опубликована
12 мая 2026

ToolCUA-8B

Изображение и текст → текст3 профессии

Мультимодальный агент на базе Qwen3-VL, который автоматизирует задачи на компьютере, выбирая действия в GUI и вызовы инструментов.

87скачиваний за 30 дней6лайковвеса обновлены13 мая 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

ToolCUA-8B — мультимодальный агент для управления компьютером через графический интерфейс, разработанный авторами проекта ToolCUA. Модель основана на Qwen/Qwen3-VL-8B-Instruct и дообучена для выбора между действиями в GUI, вызовами инструментов и возвратом к GUI-взаимодействию. Она принимает текст и изображения интерфейса и формирует текстовые ответы со структурированными вызовами инструментов для выполнения задач на рабочем столе.

Модель предназначена для автоматизации последовательностей действий в настольных приложениях и выполнения задач в средах компьютерного управления. В оценке на выполнимых задачах OSWorld-MCP показала точность 46,85%, долю вызовов инструментов 24,32% и в среднем 14,93 шага на задачу. Для развёртывания авторы рекомендуют vLLM версии 0.12.0 или выше и включение trust-remote-code. Репозиторий содержит веса safetensors; лицензия — MIT.

Сценарии применения

  • автоматизация действий в настольных приложениях
  • выполнение задач в графическом интерфейсе по текстовой инструкции
  • выбор между кликами в интерфейсе и вызовом инструмента
  • управление GUI с переключением между визуальными действиями и инструментами

Ограничения

На выполнимых задачах OSWorld-MCP точность составила 46,85%, поэтому модель может не справляться с частью задач. Развёртывание авторы рекомендуют выполнять через vLLM версии 0.12.0 или выше с включённым trust-remote-code.

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

🌐 Website

📑 Paper

💻 Code

ToolCUA-8B is an end-to-end computer-use agent for orchestrating GUI actions and structured tool calls. It learns when to continue through GUI interaction, when to invoke tools, and when to switch back, enabling shorter and more reliable desktop task trajectories.

Method

ToolCUA uses a staged training pipeline for GUI-Tool path selection:

  1. Scale interleaved GUI-Tool trajectories from existing GUI-only data via trajectory-aware tool synthesis.
  2. Apply Tool-Bootstrapped GUI RFT to learn tool-calling behavior and calibrate local switching decisions.
  3. Optimize with Online Agentic RL in a GUI-Tool environment using a Tool-Efficient Path Reward for appropriate tool use and shorter execution paths.

Results

On feasible OSWorld-MCP tasks, ToolCUA-8B reaches 46.85% overall accuracy, 24.32% Tool Invocation Rate (TIR), and 14.93 Average Completion Steps (ACS). Compared with Qwen3-VL-8B-Instruct, it improves accuracy by +18.62, improves TIR by +15.91, and reduces ACS by 4.41 steps.

vLLM Serve

We recommend vLLM for deployment. Use vllm>=0.12.0 and enable --trust-remote-code.

MAX_IMAGE=${MAX_IMAGE:-5}
IMAGE_LIMIT_ARGS='{"image": '"$MAX_IMAGE"'}'
PIXEL_ARGS='{"size": {"longest_edge": 3072000, "shortest_edge": 65536}}'

vllm serve X-PLUG/ToolCUA-8B \
  --trust-remote-code \
  --max-model-len 32768 \
  --mm-processor-kwargs "$PIXEL_ARGS" \
  --limit-mm-per-prompt "$IMAGE_LIMIT_ARGS" \
  --tensor-parallel-size 1 \
  --allowed-local-media-path '/' \
  --port 4243 \
  --gpu-memory-utilization 0.85 \
  --mm-processor-cache-gb 0 \
  --no-enable-prefix-caching \
  --enforce-eager \
  --max-logprobs 50

Citation

@article{hu2026toolcua,
  title={ToolCUA: Towards Optimal GUI-Tool Path Orchestration for Computer Use Agents},
  author={Hu, Xuhao and Zhang, Xi and Xu, Haiyang and Qiao, Kyle and Yang, Jingyi and Huang, Xuanjing and Shao, Jing and Yan, Ming and Ye, Jieping},
  journal={arXiv preprint arXiv:2605.12481},
  year={2026}
}

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
8169c7f

0 моделей