/ Модель

Характеристики

Контекст
262 144 токена
Лицензия
Apache 2.0
Архитектура
qwen3_vl · dense
Базовая модель
Qwen3-VL-8B-Instruct
Опубликована
16 июн 2026

idm

Изображение и текст → текст4 профессии

Мультимодальная модель на базе Qwen3-VL восстанавливает нажатия клавиш и действия мыши по последовательности скриншотов записи экрана.

42скачиваний за 30 дней0лайковвеса обновлены17 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.

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

p-doom разработала inverse dynamics model (IDM) для восстановления пользовательских действий по коротким записям экрана. Модель дообучена методом LoRA на языковых и визуальных модулях Qwen/Qwen3-VL-8B-Instruct, после обучения веса объединены. Она принимает сообщение с 10 скриншотами, снятыми с частотой 5 кадров в секунду, и выдаёт разреженный список действий в JSON: нажатия клавиш, щелчки мыши, перемещения курсора и прокрутку.

Сценарии применения

  • разметка действий пользователя в записи экрана
  • восстановление кликов и перемещений курсора по скриншотам
  • извлечение нажатий клавиш и прокрутки из скринкастов
  • создание обучающих аннотаций для сценариев использования компьютера

Ограничения

Модель обучалась на записях macOS и может путать системные сочетания клавиш, например Cmd и Ctrl. Действия без видимых признаков могут пропускаться или галлюцинироваться, а точность временной привязки и величины перемещений и прокрутки может быть низкой.

Для каких профессий подходит4

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

Inverse Dynamics Model for Action-Annotating Screencasts

We present an inverse dynamics model that predicts user input actions from short windows of screen recordings. Given 10 consecutive screenshots, it emits the key presses, mouse clicks, cursor movements and scroll events that are visually implied by the frames.

Please refer to the blog post for details and experiments.

Summary

IDM-eval results

All models are evaluated on our eval set, visibility-filtered to visible + inferable actions. MM R² and MM cos_mean include missed MouseMove frames as zero predictions; MM cov. is MouseMove recall.

ModelOverall F1KeyPress F1MouseClick F1MouseMove F1MouseScroll F1MM R²MM cos_meanMM cov.
Ours (8B)0.7870.7910.5980.8570.4470.7080.64392%
Gemini 3.5 Flash0.7400.8260.7260.7600.3370.7140.56064%
GPT 5.50.7090.8210.7140.6690.3920.5860.45552%
Kimi K2.60.5400.7110.4440.3810.3260.4200.17725%
Gemma 4 31B0.4300.3810.5810.5000.2370.0770.22837%
Qwen3-VL 8B0.3600.4090.4490.3340.127-6.0380.03528%

Interpretation: the main gap is dense temporal coverage. Off-the-shelf VLMs under-emit MouseMove actions, and the all-GT MouseMove metrics penalize these misses.

Input Format

Provide one chat message with 10 images sampled at 5 FPS. Each image should be preceded by a text label:

Frame F00: <image>
Frame F01: <image>
...
Frame F09: <image>

The frame labels are text anchors in the message, not labels rendered into the image pixels.

Output Format

The model emits only a JSON array:

[
  {"frame": "F02", "type": "MouseMove", "details": "120,45"},
  {"frame": "F03", "type": "MouseClick", "details": "Left"},
  {"frame": "F05", "type": "KeyPress", "details": "Cmd+S"},
  {"frame": "F07", "type": "MouseScroll", "details": "-150"}
]

Action types:

  • KeyPress: key name with modifiers, e.g. Cmd+S, Return, A
  • MouseClick: Left, Right, or Middle
  • MouseMove: normalized dx,dy, where 1000 is a full screen-width or screen-height traversal
  • MouseScroll: normalized signed scroll magnitude

Frame attribution: if an effect first appears between F_K and F_{K+1}, report the action on F_K, the last pre-action frame.

Related Releases

Limitations

  • The model was trained on macOS clips and can confuse OS-specific shortcuts such as Cmd vs Ctrl.
  • Labels are inferred from pixels, so actions with no visual evidence can be missed or hallucinated.
  • Fine-grained timing, cursor movement magnitude and scroll magnitude can be noisy.

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
5e43eff

0 моделей