/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
7,1 млрд
Размер весов
16,8 ГБ
Лицензия
MIT
Архитектура
qwen2_vl · dense
Базовая модель
Qwen2-VL-7B-Instruct
Библиотека
transformers
Опубликована
1 июн 2025

GUI-Actor-7B-Qwen2-VL

Изображение и текст → текст3 профессии

Дообученная мультимодальная модель для поиска элементов графического интерфейса по снимку экрана и текстовому запросу.

322скачиваний за 30 дней40лайковвеса обновлены9 авг 2025

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

GUI-Actor-7B-Qwen2-VL — мультимодальная модель Microsoft для визуального поиска элементов графического интерфейса. Она основана на Qwen2-VL-7B-Instruct и дообучена для GUI grounding: по изображению экрана и текстовому запросу модель определяет нужный элемент интерфейса. В архитектуру добавлена голова действий на основе внимания; модель имеет 7,1 млрд параметров, принимает изображения и текст, выдаёт текстовый ответ и координатно-свободное указание на элемент. Контекст — до 32 768 токенов.

Модель предназначена для визуальных GUI-агентов, которым нужно находить кнопки, поля и другие элементы на снимках экрана. В README приведены результаты сравнительной оценки на бенчмарках ScreenSpot-Pro, ScreenSpot и ScreenSpot-v2, но конкретные результаты самой модели в доступном фрагменте не указаны. Распространяется по лицензии MIT.

Сценарии применения

  • поиск кнопки или поля по текстовому описанию на скриншоте
  • визуальное определение элементов интерфейса для GUI-агента
  • поиск нужного пункта меню на экране приложения

Ограничения

Модель специализирована на поиске элементов GUI; результаты на конкретных бенчмарках самой модели в предоставленном фрагменте README не приведены.

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

GUI-Actor-7B with Qwen2-VL-7B as backbone VLM

This model was introduced in the paper GUI-Actor: Coordinate-Free Visual Grounding for GUI Agents. It is developed based on Qwen2-VL-7B-Instruct , augmented by an attention-based action head and finetuned to perform GUI grounding using the dataset here.

For more details on model design and evaluation, please check: 🏠 Project Page | 💻 Github Repo | 📑 Paper.

Model NameHugging Face Link
GUI-Actor-7B-Qwen2-VL🤗 Hugging Face
GUI-Actor-2B-Qwen2-VL🤗 Hugging Face
GUI-Actor-7B-Qwen2.5-VL🤗 Hugging Face
GUI-Actor-3B-Qwen2.5-VL🤗 Hugging Face
GUI-Actor-7B-Qwen2.5-VL-LiteTrain🤗 Hugging Face
GUI-Actor-3B-Qwen2.5-VL-LiteTrain🤗 Hugging Face
GUI-Actor-Verifier-2B🤗 Hugging Face

📊 Performance Comparison on GUI Grounding Benchmarks

Table 1. Main results on ScreenSpot-Pro, ScreenSpot, and ScreenSpot-v2 with Qwen2-VL as the backbone. † indicates scores obtained from our own evaluation of the official models on Huggingface.

MethodBackbone VLMScreenSpot-ProScreenSpotScreenSpot-v2
72B models:
AGUVIS-72BQwen2-VL-89.2-
UGround-V1-72BQwen2-VL34.589.4-
UI-TARS-72BQwen2-VL38.188.490.3
7B models:
OS-Atlas-7BQwen2-VL18.982.584.1
AGUVIS-7BQwen2-VL22.984.486.0†
UGround-V1-7BQwen2-VL31.186.387.6†
UI-TARS-7BQwen2-VL35.789.591.6
GUI-Actor-7BQwen2-VL40.788.389.5
GUI-Actor-7B + VerifierQwen2-VL44.289.790.9
2B models:
UGround-V1-2BQwen2-VL26.677.1-
UI-TARS-2BQwen2-VL27.782.384.7
GUI-Actor-2BQwen2-VL36.786.588.6
GUI-Actor-2B + VerifierQwen2-VL41.886.989.3

Table 2. Main results on the ScreenSpot-Pro and ScreenSpot-v2 with Qwen2.5-VL as the backbone.

MethodBackbone VLMScreenSpot-ProScreenSpot-v2
7B models:
Qwen2.5-VL-7BQwen2.5-VL27.688.8
Jedi-7BQwen2.5-VL39.591.7
GUI-Actor-7BQwen2.5-VL44.692.1
GUI-Actor-7B + VerifierQwen2.5-VL47.792.5
3B models:
Qwen2.5-VL-3BQwen2.5-VL25.980.9
Jedi-3BQwen2.5-VL36.188.6
GUI-Actor-3BQwen2.5-VL42.291.0
GUI-Actor-3B + VerifierQwen2.5-VL45.992.4

🚀 Usage

import torch

from qwen_vl_utils import process_vision_info
from datasets import load_dataset
from transformers import Qwen2VLProcessor
from gui_actor.constants import chat_template
from gui_actor.modeling import Qwen2VLForConditionalGenerationWithPointer
from gui_actor.inference import inference


# load model
model_name_or_path = "microsoft/GUI-Actor-7B-Qwen2-VL"
data_processor = Qwen2VLProcessor.from_pretrained(model_name_or_path)
tokenizer = data_processor.tokenizer
model = Qwen2VLForConditionalGenerationWithPointer.from_pretrained(
    model_name_or_path,
    torch_dtype=torch.bfloat16,
    device_map="cuda:0",
    attn_implementation="flash_attention_2"
).eval()

# prepare example
dataset = load_dataset("rootsautomation/ScreenSpot")["test"]
example = dataset[0]
print(f"Intruction: {example['instruction']}")
print(f"ground-truth action region (x1, y1, x2, y2): {[round(i, 2) for i in example['bbox']]}")

conversation = [
    {
        "role": "system",
        "content": [
            {
                "type": "text",
                "text": "You are a GUI agent. You are given a task and a screenshot of the screen. You need to perform a series of pyautogui actions to complete the task.",
            }
        ]
    },
    {
        "role": "user",
        "content": [
            {
                "type": "image",
                "image": example["image"], # PIL.Image.Image or str to path
                # "image_url": "https://xxxxx.png" or "https://xxxxx.jpg" or "file://xxxxx.png" or "data:image/png;base64,xxxxxxxx", will be split by "base64,"
            },
            {
                "type": "text",
                "text": example["instruction"]
            },
        ],
    },
]

# inference
pred = inference(conversation, model, tokenizer, data_processor, use_placeholder=True, topk=3)
px, py = pred["topk_points"][0]
print(f"Predicted click point: [{round(px, 4)}, {round(py, 4)}]")

# >> Model Response
# Intruction: close this window
# ground-truth action region (x1, y1, x2, y2): [0.9479, 0.1444, 0.9938, 0.2074]
# Predicted click point: [0.9709, 0.1548]

📝 Citation

@article{wu2025gui,
  title={GUI-Actor: Coordinate-Free Visual Grounding for GUI Agents},
  author={Wu, Qianhui and Cheng, Kanzhi and Yang, Rui and Zhang, Chaoyun and Yang, Jianwei and Jiang, Huiqiang and Mu, Jian and Peng, Baolin and Qiao, Bo and Tan, Reuben and others},
  journal={arXiv preprint arXiv:2506.03143},
  year={2025}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2VLForConditionalGenerationWithPointer
Ревизия весов
a5002d1

0 моделей