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: 7 авг 2026

Ссылки

appgen-qwen3-model-e-uedgrpo-awlegacy-stalesparse-v47-h200x8-s100-20260807-step70

Изображение и текст → текст3 профессии

Дообученная Qwen3-VL-8B-Instruct для исследований визуальных агентов Android, связывающая текстовые инструкции с изображениями экранов.

15скачиваний за 30 дней0лайковвеса обновлены7 авг 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

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.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

II.4Разработка и данныеОтладка, тестирование и качество ПОAI помогает находить дефекты, строить проверки и повышать надёжность программного продукта.25 задач13 978моделей I.14Универсальные способностиАвтоматизация процессов и AI-агентыAI помогает выполнять многошаговые цифровые процессы и координировать действия между системами.20 задач26 022модели I.15Универсальные способностиДоступность и ассистивные технологииAI помогает делать цифровую и физическую среду доступнее для людей с различными ограничениями.17 задач8 953модели

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: 2814a08