/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
7,1 млрд
Размер весов
16,6 ГБ
Лицензия
Apache 2.0
Архитектура
qwen2_vl · dense
Базовая модель
Qwen2-VL-7B
Библиотека
transformers
Опубликована
3 апр 2025

Dreamer-7B

Изображение и текст → текст3 профессии

Мультимодальная дообученная модель Qwen2-VL-7B для планирования действий веб-агентов по тексту и изображениям страниц.

60скачиваний за 30 дней7лайковвеса обновлены9 апр 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

Dreamer-7B — мультимодальная модель на базе Qwen2-VL-7B, разработанная OSUNLP и Orby AI в рамках проекта WebDreamer. Она предназначена для планирования действий веб-агента в задачах с визуальным интерфейсом: модель получает текстовый запрос и изображение страницы и формирует ответ с планом или действием. Архитектура — плотная Qwen2-VL, размер — 7,1 млрд параметров; нативное окно контекста составляет 32 768 токенов. В карточке указана поддержка английского языка и интерфейса Transformers.

WebDreamer применяет Dreamer-7B для симуляции и поиска планов веб-агента, сокращая потребность в реальных взаимодействиях со страницами. В README сообщается об улучшении результатов относительно реактивных базовых методов на VisualWebArena, Online-Mind2Web и Mind2Web-live. Модель можно использовать для веб-задач вроде покупок, объявлений и Reddit, хотя численные результаты относятся к системе WebDreamer и не гарантируют аналогичного качества отдельно взятой модели. Лицензия — Apache-2.0.

Сценарии применения

  • планирование действий веб-агента на странице интернет-магазина
  • выполнение сценариев поиска и покупки товаров на сайте
  • навигация по сайтам объявлений по пользовательскому запросу
  • планирование действий в интерфейсе Reddit
  • анализ снимка веб-страницы для выбора следующего действия агента

Ограничения

Заявленные результаты относятся к системе WebDreamer и её бенчмаркам, поэтому качество Dreamer-7B в отдельности из них не следует. README не приводит детальных оценок точности модели или перечня поддерживаемых веб-действий.

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

WebDreamer: Model-Based Planning for Web Agents

WebDreamer is a planning framework that enables efficient and effective planning for real-world web agent tasks. Check our paper for more details. This work is a collaboration between OSUNLP and Orby AI.

image

Models

Data:

Dreamer Training Data

root
 |-- prompt: string
 |-- image: binary
 |-- response: string
 |-- action: string

Results

Strong performance on VisualWebArena and Mind2Web-live

BenchmarkMethodSuccess Rate
VisualWebArenaGPT-4o + Reactive17.6%
GPT-4o + Tree Search26.2%
GPT-4o + WebDreamer23.6% (↑34.1%)
Online-Mind2WebGPT-4o + Reactive26.0%
GPT-4o + WebDreamer37.0% (↑42.3%)
Mind2Web-liveGPT-4o + Reactive20.2%
GPT-4o + WebDreamer25.0% (↑23.8%)

Compared to the reactive baselines, WebDreamer significantly improves performance by 34.1%, 42.3%, and 23.8% on VisualWebArena, Online-Mind2Web, and Mind2Web-live, respectively.

Better efficiency than tree search with true interactions

WebDreamer effectively explores the search space through simulations, which largely reduces the reliance on real-world interactions while maintaining robust performance.

Inference

vLLM server

vllm serve osunlp/Dreamer-7B --api-key token-abc123 --dtype float16

or

python -m vllm.entrypoints.openai.api_server --served-model-name osunlp/Dreamer-7B --model osunlp/Dreamer-7B --dtype float16 

You can find more instruction about training and inference in Qwen2-VL's Official Repo.

Prompt

Actually our model is quite robust to textual prompt so feel free to try various prompts which we didn't heavily explore.

def format_openai_template(description: str, base64_image):
    return [
        {
            "role": "user",
            "content": [
                {
                    "type": "image_url",
                    "image_url": {"url": f"data:image/jpeg;base64,{base64_image}"},
                },
                {
                    "type": "text",
                    "text": f"""
  Below is current screenshot. Please describe what you would see after a {action_description}"""
                },
            ],
        },
    ]


messages = format_openai_template(description, base64_image)

completion = await client.chat.completions.create(
    model=args.model_path,
    messages=messages,
    temperature=1.0
)

Citation Information

If you find this work useful, please consider citing our papers:

@article{Gu2024WebDreamer,
  author    = {Yu Gu and Kai Zhang and Yuting Ning and Boyuan Zheng and Boyu Gou and Tianci Xue and Cheng Chang and Sanjari Srivastava and Yanan Xie and Peng Qi and Huan Sun and Yu Su},
  title     = {Is Your LLM Secretly a World Model of the Internet? Model-Based Planning for Web Agents},
  journal   = {CoRR},
  volume    = {abs/2411.06559},
  year      = {2024},
  url       = {https://arxiv.org/abs/2411.06559},
  eprinttype= {arXiv},
  eprint    = {2411.06559},
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2VLForConditionalGeneration
Ревизия весов
73192d5

0 моделей