/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
SmolVLM-500M-Instruct
Библиотека
gguf
Опубликована
27 янв 2026

smolvlm-500m-ccmcp-v1

Изображение и текст → текст3 профессии

Компактная мультимодальная модель для определения координат клика по скриншоту и текстовой инструкции в сценариях автоматизации графического интерфейса.

91скачиваний за 30 дней0лайковвеса обновлены27 янв 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

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

smolvlm-500m-ccmcp-v1 — дообученная методом LoRA мультимодальная модель на основе HuggingFaceTB/SmolVLM-500M-Instruct, подготовленная для привязки запросов к элементам графического интерфейса. Она анализирует скриншот вместе с текстовой инструкцией и возвращает действие в формате Claude-compatible computer use, например щелчок мышью с координатами. Модель обучена на 1 017 примерах набора ScreenSpot и распространяется в форматах GGUF F16, GGUF Q4_K_M и safetensors; лицензия — Apache-2.0.

Модель предназначена для автоматизации интерфейсов по скриншотам: определения точки нажатия и преобразования текстовой команды в координаты действия. Компактный размер базовой модели и доступность квантизованного GGUF-варианта подходят для локального запуска с llama.cpp или Ollama. Обучение на небольшом наборе примеров ограничивает обоснованность ожиданий по точности и переносу на незнакомые интерфейсы; README не сообщает длину контекста или результаты оценки.

Сценарии применения

  • поиск координат кнопки на скриншоте по текстовой команде
  • автоматизация кликов в графическом интерфейсе
  • привязка инструкции к элементу интерфейса
  • локальная автоматизация интерфейсов через llama.cpp или Ollama

Ограничения

Модель дообучена на 1 017 примерах ScreenSpot, поэтому точность на других интерфейсах и типах задач может быть ограничена. Результаты оценки и длина контекста в предоставленных источниках не описаны.

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

smolvlm-500m-ccmcp-v1

GUI grounding model trained on ScreenSpot dataset for Claude-compatible computer use.

Files

FileDescriptionSize
mmproj-smolvlm-500m-ccmcp-v1-f16.ggufVision projector (F16)190.2 MB
smolvlm-500m-ccmcp-v1-Q4_K_M.ggufMain model (Q4_K_M)289.2 MB
smolvlm-500m-ccmcp-v1-f16.ggufMain model (F16)782.4 MB

Training

  • Base Model: HuggingFaceTB/SmolVLM-500M-Instruct
  • Dataset: ScreenSpot GUI grounding (1,017 examples)
  • Method: LoRA fine-tuning (r=16, alpha=32)
  • Task: Predict click coordinates in Claude format

Output Format

{"action": "left_click", "coordinate": [847, 523]}

Usage with Ollama

# Modelfile
FROM ./smolvlm-500m-ccmcp-v1-Q4_K_M.gguf
FROM ./mmproj-smolvlm-500m-ccmcp-v1-f16.gguf
PARAMETER num_ctx 4096
PARAMETER temperature 0.1
SYSTEM "You are a GUI grounding assistant. Given a screenshot and instruction, output click coordinates as JSON."
ollama create smolvlm_500m_ccmcp_v1 -f Modelfile
ollama run smolvlm_500m_ccmcp_v1 --image screenshot.png "Click the Submit button"

License

Apache 2.0 (inherits from base model)

Как запустить

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

GPU в ailist

Универсальный рантайм · gguf

Нельзя запустить

В репозитории нет config.json: не понять архитектуру модели.

Ревизия весов
65e6dad

0 моделей