/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
8,9 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_vl · dense
Базовая модель
Qwen3-VL-4B-Instruct
Библиотека
transformers
Опубликована
28 ноя 2025

GELab-Zero-4B-preview

Изображение и текст → текст3 профессии

Мультимодальный GUI-агент на базе Qwen3-VL-4B, который анализирует экраны и помогает выполнять многошаговые задачи в приложениях.

377скачиваний за 30 дней154лайкавеса обновлены19 дек 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

GELab-Zero-4B-preview — мультимодальная модель агента графического интерфейса из проекта GELab-Zero, разработанного StepFun. Она основана на Qwen/Qwen3-VL-4B-Instruct и дообучена для понимания экранов и выполнения действий в приложениях. Модель принимает визуальные данные и текстовые инструкции, анализирует элементы интерфейса и формирует ответы, помогающие выбирать действия — нажатие, ввод текста, прокрутку или ожидание.

Модель предназначена для локального запуска на потребительском оборудовании и многошаговой работы с приложениями из областей еды, транспорта, покупок и социальных сетей. Заявлена работа с незнакомыми приложениями без специальной адаптации. Архитектура — плотная Qwen3-VL с 4 млрд параметров; карточка описывает возможности для работы с интерфейсами на английском и китайском языках. Репозиторий содержит веса в формате safetensors, используется библиотека Transformers. Лицензия — Apache-2.0.

Это предварительная версия модели. README не приводит измерений качества и не описывает точный формат возвращаемых действий, поэтому совместимость с конкретной агентной инфраструктурой следует проверять отдельно.

Сценарии применения

  • Навигация по интерфейсу мобильного приложения по скриншоту
  • Нажатие на элементы и ввод текста по инструкции
  • Выполнение цепочки действий в приложениях для покупок
  • Поиск и бронирование поездок через интерфейс приложения
  • Выполнение задач в незнакомых приложениях без предварительной адаптации

Ограничения

Модель обозначена как предварительная версия; README не приводит метрик качества и точной схемы представления действий, которые она формирует.

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

GELab-Zero-4B-preview

This model is part of the GELab-Zero project, which presents the Step-GUI Technical Report [Paper] [Project Page] [Code].

Model Details

This model is part of the GELab-Zero project, which aims to accelerate the innovation and application deployment of GUI Agents by providing:

  1. A 4B GUI Agent model capable of running on local computers.
  2. Plug-and-play inference infrastructure that handles ADB connections, dependency installation, and task recording/replay (available in the GELab-Zero).

Key Capabilities

  • Local Deployment: Optimized for consumer-grade hardware, balancing low latency with privacy.
  • GUI Navigation: Proficient in detecting and interacting with UI elements (click, type, slide, wait, etc.) based on visual cues.
  • Complex Task Execution: Handles multi-step long-horizon tasks across various apps (Food, Transportation, Shopping, Social, etc.).
  • Open-World Generalization: Capable of zero-shot operation across diverse unseen applications and complex dynamic interfaces without requiring app-specific adaptation.

Usage

Quick Start with Ollama

The easiest way to run inference is using Ollama.

1.Install Ollama: Download from ollama.com.

2.Download the Model:

# Install huggingface-cli
pip install huggingface_hub
# Download model
huggingface-cli download --resume-download stepfun-ai/GELab-Zero-4B-preview --local-dir gelab-zero-4b-preview

3.Create and Run in Ollama:

cd gelab-zero-4b-preview
ollama create gelab-zero-4b-preview -f Modelfile
    
# Test the model
curl -X POST http://localhost:11434/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{
        "model": "gelab-zero-4b-preview",
        "messages": [{"role": "user", "content": "Hello, GELab-Zero!"}]
      }'

To use this model for actual Android device control (ADB connection, task execution), please use the GELab-Zero.

Citation

If you find GELab-Zero-4B-preview useful for your research, please consider citing our work :)

@misc{yan2025stepguitechnicalreport,
      title={Step-GUI Technical Report}, 
      author={Haolong Yan and Jia Wang and Xin Huang and Yeqing Shen and Ziyang Meng and Zhimin Fan and Kaijun Tan and Jin Gao and Lieyu Shi and Mi Yang and Shiliang Yang and Zhirui Wang and Brian Li and Kang An and Chenyang Li and Lei Lei and Mengmeng Duan and Danxun Liang and Guodong Liu and Hang Cheng and Hao Wu and Jie Dong and Junhao Huang and Mei Chen and Renjie Yu and Shunshan Li and Xu Zhou and Yiting Dai and Yineng Deng and Yingdan Liang and Zelin Chen and Wen Sun and Chengxu Yan and Chunqin Xu and Dong Li and Fengqiong Xiao and Guanghao Fan and Guopeng Li and Guozhen Peng and Hongbing Li and Hang Li and Hongming Chen and Jingjing Xie and Jianyong Li and Jingyang Zhang and Jiaju Ren and Jiayu Yuan and Jianpeng Yin and Kai Cao and Liang Zhao and Liguo Tan and Liying Shi and Mengqiang Ren and Min Xu and Manjiao Liu and Mao Luo and Mingxin Wan and Na Wang and Nan Wu and Ning Wang and Peiyao Ma and Qingzhou Zhang and Qiao Wang and Qinlin Zeng and Qiong Gao and Qiongyao Li and Shangwu Zhong and Shuli Gao and Shaofan Liu and Shisi Gao and Shuang Luo and Xingbin Liu and Xiaojia Liu and Xiaojie Hou and Xin Liu and Xuanti Feng and Xuedan Cai and Xuan Wen and Xianwei Zhu and Xin Liang and Xin Liu and Xin Zhou and Yingxiu Zhao and Yukang Shi and Yunfang Xu and Yuqing Zeng and Yixun Zhang and Zejia Weng and Zhonghao Yan and Zhiguo Huang and Zhuoyu Wang and Zheng Ge and Jing Li and Yibo Zhu and Binxing Jiao and Xiangyu Zhang and Daxin Jiang},
      year={2025},
      eprint={2512.15431},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2512.15431}, 
}

@software{gelab_zero_2025,
  title={GELab-Zero: An Advanced Mobile Agent Inference System},
  author={GELab Team},
  year={2025},
  url={https://github.com/stepfun-ai/gelab-zero}
}

@misc{gelab_engine,
      title={GUI Exploration Lab: Enhancing Screen Navigation in Agents via Multi-Turn Reinforcement Learning}, 
      author={Haolong Yan and Yeqing Shen and Xin Huang and Jia Wang and Kaijun Tan and Zhixuan Liang and Hongxin Li and Zheng Ge and Osamu Yoshie and Si Li and Xiangyu Zhang and Daxin Jiang},
      year={2025},
      eprint={2512.02423},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2512.02423}, 
}

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
838a527

0 моделей