/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
8,9 ГБ
Лицензия
CC BY-NC-SA 4.0
Архитектура
qwen3_vl · dense
Базовая модель
GUI-Owl-1.5-4B-Instruct
Библиотека
transformers
Опубликована
28 фев 2026

KV-Ground-4B-BaseGuiOwl1.5-0228

Изображение и текст → текст4 профессии

Компактная VLM для поиска элементов графического интерфейса по изображению экрана и текстовой инструкции.

2 460скачиваний за 30 дней2лайкавеса обновлены1 мар 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

KV-Ground-4B-BaseGuiOwl1.5-0228 — компактная визуально-языковая модель для привязки текстовых инструкций к элементам графического интерфейса. Её разработали Kingsware и Vocaela AI; это дообучение GUI-Owl-1.5-4B-Instruct на базе архитектуры Qwen3-VL. Модель содержит 4 млрд параметров и принимает изображение экрана вместе с инструкцией на естественном языке, выдавая текстовый ответ с результатом привязки.

Модель предназначена для поиска элементов интерфейса на изображениях, в том числе снимках высокого разрешения, и для сценариев компьютерного управления, где нужно определить целевой элемент по запросу. Авторы сообщают результаты 67,0 на ScreenSpot-Pro и 94,1 на ScreenSpot-V2; это их собственные оценки в описанной конфигурации, а качество может зависеть от формата запроса. Для использования требуются совместимая библиотека Transformers и формат safetensors. Лицензия CC BY-NC-SA 4.0 ограничивает коммерческое использование и требует соблюдения условий атрибуции и распространения на тех же условиях.

Сценарии применения

  • поиск кнопки или пункта меню на скриншоте по текстовому запросу
  • определение целевого элемента интерфейса для компьютерного управления
  • привязка инструкции пользователя к элементу GUI на изображении высокого разрешения
  • оценка и разметка систем компьютерного использования на бенчмарках GUI

Ограничения

В README не приведены языки обучения и подробные сведения о качестве вне перечисленных бенчмарков; результаты зависят от формата запроса. Лицензия CC BY-NC-SA 4.0 не допускает коммерческое использование.

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

KV-Ground-4B-BaseGuiOwl1.5-0228

A small GUI grounding model optimized for high-resolution images.

  • Type: Vision-Language Model (VLM) for GUI grounding
  • Size: 4B parameters
  • Input: Image + natural language instruction
  • Output: Text
  • Fine-tuned from: GUI-Owl-1.5-4B-Instruct
  • License: CC BY-NC-SA 4.0
  • Developed by: Kingsware & Vocaela AI

Model Description

This model is developed to optimize small VLM models for high-resolution GUI grounding. We synthesize high-quality high-resolution GUI grounding data, and continue post-training GUI-Owl-1.5-4B-Instruct with SFT followed by RFT (GRPO). Without reasoning CoT, it achieves 67.0 on ScreenSpot-Pro, becoming the best model at 4B range. Meanwhile, it maintains excellent performance on regular-resolution tasks with 94.1 on ScreenSpot-V2.

Key receipe:

  • Data clean by MLLM as judge: various public GUI grounding datasets are of ~30% errors which highly degenerate model performance on high-resolution images. And hence we carefuly do multiple-rounds of data cleaning by MLLM-as-judge.
  • Synthesize high-resolution GUI grounding data
  • Continue post-training model through SFT and GRPO

Benchmark Results

  • Impact of continue post-training on base models

    For the purpose of controlled comparison, all these numbers are re-/produced by us, using the same evaluation code in the repo kv-ground. The baseline numbers may be different from the sources. Please see below note section for the controlled setup.

    ModelsScreenSpot-ProScreenSpot-V2OSWorld-GOSWorld-G-refinedUI-Vision
    Base: GUI-Owl-1.5-4B-Instruct*.65.392.861.766.830.4
    KV-Ground-4B-BaseGuiOwl1.5-0228*67.0 (+1.7)94.1 (+1.3)64.2 (+2.5)69.5 (+2.7)33.3 (+2.9)

    The results tell us:

    • Our continuous post-training method brings in consistent improvements. It is beyond our expectation since the technical report of GUI-Owl-1.5-4B-Instruct discloses that they have already applied extensive data synthesize / augementation targeted for high-resolution images.
    • The high-resolution optimized training doesn't harm regular resolution tasks
  • Comparision with top models under 8B (ranked by ScreenSpot-Pro)

    We consider the top models under 8B from ScreenSpot-Pro leaderboard and related most recent technical reports.

    ModelsScreenSpot-ProScreenSpot-V2OSWorld-GOSWorld-G-refinedUI-Vision
    Specialized GUI Models
    UI-Venus-1.5-8B68.493.269.4--
    KV-Ground-4B-BaseGuiOwl1.5*67.094.164.269.533.3
    MAI-UI-8B65.895.260.168.640.7
    GUI-Owl-1.5-4B-Instruct*65.392.861.766.830.4
    KV-Ground-4B-BaseQw3vl*63.294.664.071.232.6
    Step-GUI-8B62.695.170.0--
    Step-GUI-4B60.093.666.9--
    Holo2-8B58.993.270.1--
    Holo2-4B57.293.269.4--
    GUI-Owl-7B54.992.855.9--
    OpenCUA-7B50.092.355.3-29.7
    UI-Venus-1.0-7B50.894.154.661.736.8
    GTA1-7B50.192.460.167.7-
    UI-TARS-1.5-7B35.791.652.864.2-
    General VLMs
    Qwen3-VL-4B*59.593.163.371.130.4
    Qwen3-VL-8B54.6-58.2--

Notes:

  • We only compare pure model capabillity and hence exclude those multi-step methods such as using zoom-in, MVP or agentic frameworks.
  • By default numbers are from each source. Those numbers produced by us are indicated by *, which may be different from the numbers reported from the sources.
  • It is known that models are usually sensitive to certain pre-designed prompt. As all the runs produced by us are based on Qwen3-VL backbone, for fair and simple comparision, the same prompt structure of system -> user-image -> user-instruct is used. And the same system message is used, which is the default Qwen3-VL computer-use format prompt adopted by the ScreenSpot-Pro leaderboard. For OSWorld-G and OSWorld-G-refined, minor modification is made to instruct the refusal setting.

Quickstart

The model keeps the exact same architecture and configs of GUI-Owl-1.5-4B-Instruct (inheriting from Qwen3-VL-4B-Instruct) and hence the usage is the same. For detail examples and the grounding prompt, please checkout the benchmark evaluation code in this repo.

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
f947a79

0 моделей