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: 25 июн 2026

Ссылки

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

Изображение и текст → текст3 профессии

Дообученная Qwen3-VL модель, которая интерпретирует экраны мобильных приложений и выполняет навигационные действия через вызовы mobile_use.

12скачиваний за 30 дней0лайковвеса обновлены25 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.

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 Continue-SFT Norm1000 Navigation Thinking — дообученная Luca0621 модель семейства Qwen3-VL для навигации по графическому интерфейсу мобильных приложений. Она принимает изображение экрана и текстовую инструкцию, а затем формирует нормализованные вызовы инструмента mobile_use; перед вызовом использует пустой блок Qwen3 think. Модель обучена продолжительным полным дообучением на навигационных данных, производных от AMEX, при замороженной визуальной части.

В оценке на реальных GUI-бенчмарках README сообщает среднюю точность 82,33% и взвешенную точность 79,26%. Это специализированный чекпойнт для управления мобильным интерфейсом, а не универсальный визуальный ассистент. Лицензия — Apache-2.0.

Сценарии применения

навигация по экрану мобильного приложения по текстовой инструкции
поиск и нажатие элементов интерфейса на скриншоте
выполнение последовательностей действий в мобильном GUI
оценка и автоматизация сценариев взаимодействия с приложением

Ограничения

Модель специализирована на навигации по мобильному GUI и выдаче вызовов mobile_use; README не описывает её как универсальную модель для других задач. Опубликованные результаты ограничены указанными бенчмарками и не гарантируют точность на произвольных приложениях.

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 II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей IV.1Отраслевые задачиРитейл, электронная коммерция и fashion-techAI помогает управлять ассортиментом, покупательским опытом и эффективностью торговых операций.29 задач5 934модели

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

AppGen Qwen3 Continue-SFT Norm1000 Navigation Thinking

Continue-SFT checkpoint of luca0621/appgen-qwen3-thinktag-lr5e-7-ep1 trained on AMEX-derived navigation data converted to normalized mobile_use tool calls with an empty Qwen3 think block before the tool call.

Checkpoint: checkpoint-2406
Training output: continue_sft_qwen3_mobile_use_norm1000_nav_only_thinking_gpu23_20260625_r2
Format: mobile_use_norm1000
Prompt/eval style: gelab
Training: 1 epoch, lr 5e-7, full finetune, visual frozen, DeepSpeed ZeRO-2, GPUs 2-3
W&B run: https://wandb.ai/namhokoh-korea-advanced-institute-of-science-and-technology/appgen-continue-train/runs/z2d17khd

Real-World GUI Eval

Evaluated with eval/evaluate_real_world_aligned.py on the real-world benchmark suite.

Benchmark	Accuracy	Correct / Total
ScreenSpot	90.25%	1148 / 1272
ScreenSpot-v2	93.16%	1185 / 1272
FuncPred	62.05%	1241 / 2000
MoTIF	76.52%	968 / 1265
Refexp	85.84%	485 / 565
VWB-EG	84.02%	347 / 413
VWB-AG	84.47%	87 / 103

Average: 82.33%
Weighted average: 79.26% (5461 / 6890)

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: c056273