/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
7,1 млрд
Размер весов
16,6 ГБ
Лицензия
Apache 2.0
Архитектура
qwen2_5_vl · dense
Базовая модель
Qwen2.5-VL-7B-Instruct
Библиотека
transformers
Опубликована
11 мая 2025

WebJudge-7B

Изображение и текст → текст3 профессии

Мультимодальная модель для оценки действий веб-агентов по скриншотам и тексту с применением в качестве модели вознаграждения.

493скачиваний за 30 дней10лайковвеса обновлены12 мая 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

WebJudge-7B — мультимодальная модель оценки действий веб-агентов, разработанная OSU NLP и дообученная на Qwen2.5-VL-7B-Instruct. Она анализирует скриншоты и текстовые данные о ходе взаимодействия с веб-сайтом, чтобы оценить траекторию агента и сохранить важные промежуточные визуальные наблюдения без избыточной нагрузки на контекст. Модель предназначена для оценки качества выполнения веб-задач и может использоваться как reward model в отборе примеров для дообучения, рефлексии и обучения с подкреплением.

Модель построена на архитектуре Qwen2.5-VL, содержит 7,1 млрд параметров, поддерживает изображения и текст, а её контекст составляет до 128 000 токенов. В карточке заявлены результаты на наборах Online-Mind2Web и AgentRewardBench, включая высокое согласие с оценками людей и перенос на несколько тестов вне обучающего распределения. Использование — по лицензии Apache-2.0.

Сценарии применения

  • оценка успешности выполнения веб-задач агентом
  • сравнение траекторий взаимодействия веб-агентов
  • отбор успешных примеров для дообучения агента
  • оценка поведения агента для рефлексии и обучения с подкреплением

Ограничения

В карточке не описаны отдельные ограничения и условия оценки качества; приведённые результаты относятся к указанным бенчмаркам и не гарантируют такую же точность на других сайтах и сценариях.

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

Model architecture | Model size | Language

WebJudge

image

WebJudge preserves critical intermediate screenshots while mitigating the token overload issue, resulting in more accurate and reliable evaluations. Please check our paper for more details.

Results

Comparison against Existing Evaluation Methods on Online-Mind2Web

Excellent generalization capabilities on AgentRewardBench (5 OOD benchmarks)

MethodsABVWAWAWorkWk++Overall
Rule-based*25.085.279.0100.083.383.8
Autonomous Eval*83.361.267.696.459.367.6
GPT-4o (A11y Tree)*77.863.070.294.663.069.8
WebJudge (GPT-4o)66.769.872.692.375.073.7
WebJudge-7B80.066.777.5100.070.075.7
WebJudge (o4-mini)100.074.581.2100.090.082.0

WebJudge significantly outperforms existing methods, achieving impressive overall precision of 73.7% 75.7% and 82.0% on WebArena (WA), VisualWebArena (VWA), AssistantBench (AB), WorkArena (Work) and WorkArena++ (Wk++) across 1302 trajectories.

The high precision suggests that WebJudge holds potential as a robust and scalable reward model for downstream applications such as Rejection Sampling Fine-Tuning, Reflection, and Reinforcement Learning.

Inference

vLLM server

vllm serve osunlp/WebJudge-7B --port PORT --api-key API_KEY

or

LLaMA-Factory API

API_PORT=PORT llamafactory-cli api examples/inference/qwen2_vl.yaml

Prompt

Please check our Repository and Paper for more details about prompt.

text = """**Task**: {task}

**Key Points for Task Completion**: {key_points}

The snapshot of the web page is shown in the image."""

messages = [
                {"role": "system", "content": system_msg},
                {
                    "role": "user",
                    "content": [
                        {"type": "text", "text": text},
                        {
                            "type": "image_url",
                            "image_url": {"url": f"data:image/jpeg;base64,{jpg_base64_image}", "detail": "high"},
                        },
                    ],
                }
            ]
completion = client.chat.completions.create(
    model=model_path,
    messages=messages,
    temperature=0
)

Citation Information

Note: Online-Mind2Web is derived from the original Mind2Web dataset. We kindly ask that you cite both the original and this work when using or referencing the data.

@article{xue2025illusionprogressassessingcurrent,
      title={An Illusion of Progress? Assessing the Current State of Web Agents}, 
      author={Tianci Xue and Weijian Qi and Tianneng Shi and Chan Hee Song and Boyu Gou and Dawn Song and Huan Sun and Yu Su},
      year={2025},
      eprint={2504.01382},
      archivePrefix={arXiv},
      primaryClass={cs.AI},
      url={https://arxiv.org/abs/2504.01382}, 
}

@inproceedings{deng2023mind2web,
 author = {Deng, Xiang and Gu, Yu and Zheng, Boyuan and Chen, Shijie and Stevens, Sam and Wang, Boshi and Sun, Huan and Su, Yu},
 booktitle = {Advances in Neural Information Processing Systems},
 editor = {A. Oh and T. Naumann and A. Globerson and K. Saenko and M. Hardt and S. Levine},
 pages = {28091--28114},
 publisher = {Curran Associates, Inc.},
 title = {Mind2Web: Towards a Generalist Agent for the Web},
 url = {https://proceedings.neurips.cc/paper_files/paper/2023/file/5950bf290a1570ea401bf98882128160-Paper-Datasets_and_Benchmarks.pdf},
 volume = {36},
 year = {2023}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2_5_VLForConditionalGeneration
Ревизия весов
bb550f8

0 моделей