/ Модель

Характеристики

Контекст
262 144 токена
Лицензия
Apache 2.0
Архитектура
qwen3_vl · dense
Базовая модель
Qwen3-VL-8B-Thinking
Библиотека
transformers
Опубликована
5 авг 2026

hybrid-routing-context-rl

Изображение и текст → текст

Дообученная Qwen3-VL-8B-Thinking для многошагового управления компьютерным интерфейсом через MCP с сокращённой историей снимков экрана.

10скачиваний за 30 дней0лайковвеса обновлены6 авг 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

redai-infra/hybrid-routing-context-rl — контрольная точка на базе Qwen3-VL-8B-Thinking, разработанная для управления графическим интерфейсом компьютера через инструменты MCP. Модель дообучена методом multi-turn GRPO на OSWorld с согласованной политикой сжатия наблюдений при обучении и использовании: история ограничивается двумя изображениями, а снимок экрана после успешного вызова MCP-инструмента заменяется текстовой заглушкой.

Модель предназначена для многошагового выполнения задач в GUI, когда агент чередует анализ снимков экрана и вызовы инструментов. В описанной оценке на 309 задачах OSWorld-MCP она показала точность 37,8% при 53% входной стоимости относительно базовой точки сравнения; пиковый контекст на уровне p95 сократился на 37%. Для воспроизведения этого режима модель следует использовать с политикой сжатия наблюдений, на которой она обучалась. Репозиторий содержит непосредственно загружаемую модель в формате safetensors; лицензия — Apache-2.0.

Сценарии применения

  • выполнение многошаговых задач в графическом интерфейсе Ubuntu
  • управление приложениями через MCP-инструменты
  • анализ снимков экрана при выполнении компьютерных задач
  • снижение затрат на входной контекст в GUI-агентах

Ограничения

Модель обучена на сжатых наблюдениях: для соответствующего режима использования необходимо ограничивать историю двумя изображениями и заменять снимок после успешного вызова MCP текстовой заглушкой. В приведённой оценке точность на наборе из 309 задач составила 37,8%, поэтому выполнение задач не гарантировано.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

hybrid-routing-context-rl

The context-compression RL checkpoint (step 40) from the paper Screenshots or Tools? Eliciting Tool Us Context in Hybrid GUI–MCP Computer-UseAgents (arXiv:2608.03327).

A Qwen3-VL-8B-Thinking policy trained with multi-turn GRPO on OSWorld under a train/inference-consistent compressed observation rule: 2-image slip_success` (the screenshot after asuccessful MCP tool call is replaced by a text placeholder). Training and evaluation share the exact same observation policy — that matching is the

Results (OSWorld-MCP test_all_no_internet, 309 tasks, greedy ×3)

accuracyinput costpeak context (p95)
Base operating point (img4, uncompressed)33.0%100%11.5K tok
This checkpoint (img2 + skip, compressed)37.8%53%−37%

Usage

This is a complete, directly-loadable Qwen3-VL-8B model directory. Deploy it with the compressed observation rule it was trained under — evaluating with the default rich observation underestimates it:

huggingface-cli download redai-infra/hybrid-routing-context-rl --local-dir ckpts/context_rl
MODEL=ckpts/context_rl CONTEXT_POLICY=skip_on_mcp_success MAX_IMAGE_HISTORY_LENGTH=2 \
  bash scripts/run_mcp_eval.sh

Code, configs, and full provenance: https://github.com/redai-infra/hybrid-routing-agent — see results/context_rl/PROVENANCE.md for how every number above is derived, and configs/experiments/context_rl.yaml for the exact training recipe.

Citation

@article{fan2026screenshots,
  title   = {Screenshots or Tools? Eliciting Tool Use and Managing Multimodal
             Context in Hybrid GUI-MCP Computer-Use Agents},
  author  = {Fan, Siqi and Li, Minghao and Ma, Xiaoqian and Tan, Wenhui and
             Huang, Xiusheng and Wu, Juntong and Zhang, Liujie and Shang, Shuo
             and Chen, Weihang},
  journal = {arXiv preprint arXiv:2608.03327},
  year    = {2026},
  url     = {https://arxiv.org/abs/2608.03327}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3VLForConditionalGeneration
Ревизия весов
68b0789

0 моделей