/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
17,5 ГБ
Лицензия
CC BY-NC-SA 4.0
Архитектура
qwen3_vl · dense
Базовая модель
GUI-Owl-1.5-8B-Instruct
Библиотека
transformers
Опубликована
16 мар 2026

KV-Ground-8B-BaseGuiOwl1.5-0315

Изображение и текст → текст3 профессии

Визуально-языковая модель на 8 млрд параметров, которая находит элементы графического интерфейса по изображению экрана и текстовой инструкции.

321скачиваний за 30 дней5лайковвеса обновлены16 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-8B-BaseGuiOwl1.5-0315 — визуально-языковая модель на 8 млрд параметров, разработанная Kingsware и Vocaela AI для привязки текстовых инструкций к элементам графического интерфейса. Она принимает изображение экрана и инструкцию на естественном языке, а в ответ выдаёт текст с результатом привязки. Модель основана на архитектуре Qwen3-VL и дообучена на базе mPLUG/GUI-Owl-1.5-8B-Instruct с помощью SFT и RFT (GRPO), используя очищенные и синтетические данные для интерфейсов высокого разрешения.

Модель предназначена для распознавания нужных элементов на скриншотах приложений и веб-страниц и может использоваться в системах компьютерного управления, GUI-агентах и автоматизации интерфейсов. В карточке указаны результаты на ScreenSpot-Pro, ScreenSpot-V2, OSWorld-G и UI-Vision; дополнительная стратегия увеличения фрагментов изображения повышает результат на ScreenSpot-Pro. Поддерживаются диалоговый режим и интерфейс вызова инструментов. Модель распространяется по лицензии CC BY-NC-SA 4.0, которая ограничивает коммерческое использование.

Сценарии применения

  • поиск кнопки или поля ввода по инструкции на скриншоте
  • привязка команд GUI-агента к элементам интерфейса
  • автоматизация действий в приложениях и на веб-страницах
  • определение нужных элементов на скриншотах высокого разрешения

Ограничения

Для повышения результатов на изображениях высокого разрешения может потребоваться стратегия увеличения фрагментов, описанная в карточке. Лицензия CC BY-NC-SA 4.0 ограничивает коммерческое использование.

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

KV-Ground-8B-BaseGuiOwl1.5-0315

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

  • Type: Vision-Language Model (VLM) for GUI grounding
  • Size: 8B parameters
  • Input: Image + natural language instruction
  • Output: Text
  • Fine-tuned from: GUI-Owl-1.5-8B-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-1.5-8B-Instruct with SFT followed by RFT (GRPO). Without reasoning CoT, it achieves 73.2 on ScreenSpot-Pro as the best model cross the board. When combined with zoom-in strategy, it achieves 80.5 as the best system across the board. Meanwhile, it maintains excellent performance on regular-resolution tasks with 94.6 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 continual 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-1.5-8B-Instruct*70.593.564.767.938.3
    KV-Ground-8B-BaseGuiOwl1.5-0315*73.2 (+2.7)94.6 (+1.1)68.1 (+3.4)70.9 (+3.0)39.6 (+1.3)

    The results tell us:

    • Our continual post-training method brings in consistent improvements. It is beyond our expectation since the technical report of GUI-Owl-1.5-8B-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. Instead, it also brings in notable gain on OSWorld-G / OSWorld-G-refined.
  • Comparision with top models (ranked by ScreenSpot-Pro)

    We consider all top models from ScreenSpot-Pro leaderboard and related most recent technical reports. We only compare pure model capabillity and hence exclude those multi-step methods such as using zoom-in, MVP or agentic frameworks.

    On ScreenSpot-Pro, KV-Ground-8B-BaseGuiOwl1.5-0315 is ranked as the best among all the models.

    ModelsScreenSpot-ProScreenSpot-V2OSWorld-GOSWorld-G-refinedUI-Vision
    Specialized GUI Models
    KV-Ground-8B-BaseGuiOwl1.5-0315*73.294.668.170.939.6
    GUI-Owl-1.5-32B-Instruct*71.395.167.071.837.5
    Holo2-235B-A22B70.695.979.0--
    GUI-Owl-1.5-8B-Instruct*70.593.564.767.938.3
    UI-Venus-1.5-30B-A3B69.696.270.676.454.7
    UI-Venus-1.5-8B68.495.969.774.146.5
    MAI-UI-32B67.996.567.673.947.1
    KV-Ground-4B-BaseGuiOwl1.5-0228*67.094.164.269.533.3
    Holo2-30B-A3B66.194.976.1--
    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--
  • Comparision with agentic approaches on ScreenSpot-Pro

    We list out top 10 players reported on ScreenSpot-Pro leaderboard and related technical reports. KV-Ground-8B-BaseGuiOwl1.5-0315 + Zoom-In is ranked as best in all the systems.

    Model / AgenticScreenSpot-Pro
    KV-Ground-8B-BaseGuiOwl1.5-0315 + Zoom-In*80.5
    GUI-Owl-1.5-32B-Instruct + Zoom-In80.3
    Holo2-235B-A22B (Agentic)78.5
    GUI-Owl-1.5-8B-Instruct + Zoom-In*78.0
    MAI-UI-32B (MVP)77.5
    KV-Ground-4B-BaseGuiOwl1.5-0228 + Zoom-In*76.4
    GUI-Owl-1.5-4B-Instruct + Zoom-In*76.1
    Holo2-30B-A3B (Agentic)75.2
    MVP_Qwen3VL-32B74.1
    MAI-UI-32B (Zoom In)73.5

Notes:

  • 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-1.5-8B-Instruct (inheriting from Qwen3-VL-8B-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
a3c224b

0 моделей