/ Модель
Каталог

Характеристики

Контекст
262 144 токена
Размер весов
17,5 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_vl · dense
Базовая модель
appgen-qwen3-thinktag-lr5e-7-ep1
Опубликована
22 июн 2026

Ссылки

Hugging Face

appgen-qwen3-thinktag-lr5e-7-ep1-continue-sft-norm1000-nav-only

namhokaist
Изображение и текст → текст

Экспериментальная Qwen3-VL модель для навигации по экранам мобильных устройств с выдачей действий в формате mobile_use и нормализованных координат.

5скачиваний за 30 дней0лайковвеса обновлены22 июн 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.

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

Это экспериментальный чекпойнт Qwen3-VL, созданный namhokaist продолжением полного дообучения модели luca0621/appgen-qwen3-thinktag-lr5e-7-ep1 на данных навигации по графическому интерфейсу мобильных устройств. Модель принимает изображение экрана и текстовую инструкцию, а результат выдаёт в формате вызова инструмента mobile_use с координатами, нормализованными в диапазон 0–1000.

Модель предназначена для навигации по мобильным интерфейсам: определения нужных элементов на экране и указания точки взаимодействия. В README приведены результаты проверок ScreenSpot, ScreenSpot-v2 и FuncPred; оценка зависит от указанного формата координат и параметров тестирования. Чекпойнт опубликован в формате safetensors под лицензией Apache-2.0.

Сценарии применения

  • поиск нужного элемента на скриншоте мобильного приложения
  • определение координат кнопки для нажатия
  • навигация по экрану по текстовой инструкции
  • передача действий мобильному агенту в формате mobile_use

Ограничения

Обучение ограничено навигационными данными, поэтому возможности для других типов взаимодействия с интерфейсом не подтверждены. Для воспроизведения результатов важно учитывать стиль промпта gelab и систему координат 0–1000, использованные в оценке.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

appgen-qwen3-thinktag-lr5e-7-ep1-continue-sft-norm1000-nav-only

Continue-SFT checkpoint of luca0621/appgen-qwen3-thinktag-lr5e-7-ep1 trained on navigation-only GUI data in the mobile_use tool-call format.

  • Base model: luca0621/appgen-qwen3-thinktag-lr5e-7-ep1
  • Output format: mobile_use tool call with normalized 0-1000 coordinates
  • Dataset: mobile_use_norm1000, navigation-only split
  • Training: 1 epoch, learning rate 5e-7, full fine-tuning, max length 4096
  • Checkpoint: checkpoint-2406

Real-World Eval

Evaluation was run with prompt style gelab, coordinate space 0-1000 point-in-bbox, and fixed image pixels 2629536.

BenchmarkAccuracyCorrect / Total
ScreenSpot90.33%1149 / 1272
ScreenSpot-v293.40%1188 / 1272
FuncPred62.00%1240 / 2000
MoTIF76.36%966 / 1265
Refexp86.90%491 / 565
VWB-EG84.02%347 / 413
VWB-AG84.47%87 / 103
  • Average accuracy: 82.50%
  • Weighted average accuracy: 79.36%
  • Total correct: 5468 / 6890
  • Bad format: 0

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3VLForConditionalGeneration
Ревизия весов
b6ee230

0 моделей

    Создать бенчмарк