/ Модель

Характеристики

Библиотека
lerobot
Опубликована
19 апр 2026

ShowUI-pi

Языковая модельИзображение, текст → action3 профессии

ShowUI-π — модель Vision-Language-Action на основе SmolVLA для предсказания траекторий перетаскивания в GUI по снимку экрана и текстовой инструкции.

79скачиваний за 30 дней6лайковвеса обновлены28 апр 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

ShowUI-π — модель Vision-Language-Action для выполнения перетаскиваний в графическом интерфейсе. Она построена на SmolVLA с 500 млн параметров и использует генеративную голову действий на основе flow matching. По одному снимку экрана и инструкции на естественном языке модель предсказывает траекторию перетаскивания. Модель предназначена для GUI-агентов и робототехнических сценариев, где нужно выполнять действия перетаскивания; в README указаны обучающий набор showlab/ShowUI-pi-data и бенчмарк ScreenDrag. Репозиторий использует библиотеку LeRobot и формат safetensors. Лицензия в предоставленных данных не указана.

Сценарии применения

  • перетаскивание элементов интерфейса по текстовой команде
  • автоматизация операций drag-and-drop в графическом интерфейсе
  • управление GUI-агентом по снимку экрана
  • предсказание траектории курсора для перетаскивания

Ограничения

Модель описана для предсказания траекторий перетаскивания по одному снимку экрана и инструкции; другие виды GUI-действий в предоставленных данных не подтверждены.

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

ShowUI-π

ShowUI-π is a Vision-Language-Action model for GUI drag-and-drop, built on SmolVLA (500M). It uses a flow-matching action head to predict drag trajectories from a single screenshot and a natural-language instruction.

Paper: ShowUI-π: Flow-based Generative Models as GUI Dexterous Hands

Code: https://github.com/showlab/showui-pi

Training Data: showlab/ShowUI-pi-data

Evaluation Benchmark: h-siyuan/ScreenDrag

Quick start

git clone https://github.com/showlab/showui-pi.git
cd showui-pi
pip install -e .

Inference

import torch
from lerobot.policies.smolvla.modeling_smolvla import SmolVLAPolicy
from lerobot.policies.factory import make_pre_post_processors

policy = SmolVLAPolicy.from_pretrained("showlab/ShowUI-pi").to("cuda").eval()

preprocessor, postprocessor = make_pre_post_processors(
    policy.config,
    "showlab/ShowUI-pi",
    preprocessor_overrides={"device_processor": {"device": "cuda"}},
)

Training

bash scripts/train_showui_pi.sh

See the training script for all flags and defaults.

Evaluation

DEX Benchmark

PYTHONPATH=lerobot/src \
python scripts/eval_dex.py \
    --ckpt <path/to/checkpoint> \
    --output_dir outputs/eval_dex

ScreenSpot-Pro

PYTHONPATH=lerobot/src \
python scripts/eval_screenspot_pro.py \
    --ckpt <path/to/checkpoint> \
    --annotations_root <path/to/ScreenSpot-Pro/annotations> \
    --images_root <path/to/ScreenSpot-Pro/images>

Citation

@article{hu2025showui,
  title={ShowUI-$$\backslash$pi $: Flow-based Generative Models as GUI Dexterous Hands},
  author={Hu, Siyuan and Lin, Kevin Qinghong and Shou, Mike Zheng},
  journal={arXiv preprint arXiv:2512.24965},
  year={2025}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · lerobot

Нельзя запустить

Модели для роботов не запускаются как сервис инференса.

Ревизия весов
7555b5a

0 моделей