/ Модель

Характеристики

Лицензия
Своя лицензия
Архитектура
lfm2_vl · dense
Базовая модель
LFM2.5-VL-450M
Библиотека
transformers
Опубликована
21 авг 2026

webbrain-vl-2-450M

Изображение и текст → текст4 профессии

Компактная VLM WebBrain для преобразования снимков браузера в структурированные наблюдения, используемые агентом автоматизации.

221скачиваний за 30 дней5лайковвеса обновлены22 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

WebBrain VL 2 450M — компактная визуально-языковая модель, разработанная WebBrain на основе LiquidAI/LFM2.5-VL-450M. Она принимает снимок окна браузера и формирует структурированное наблюдение из шести разделов для последующего планировщика автоматизации: описывает видимый текст и элементы интерфейса, поля и состояние форм, диалоги, ошибки, индикаторы загрузки, баннеры согласия, CAPTCHA и блокирующие элементы. Модель дообучена методом supervised LoRA на 50 000 примерах с последующим объединением адаптера с базовой моделью; опубликованы объединённый чекпойнт Transformers и соответствующий LoRA-адаптер. В метаданных указаны архитектура LFM2-VL, библиотека Transformers и формат safetensors.

Модель предназначена для описания браузерных экранов и передачи наблюдений агенту, который планирует автоматизацию. На указанном в README наборе из 100 случаев версия v2 получила 36 строгих прохождений и среднюю оценку по рубрике 74,99%; это результат конкретного теста, а не гарантия качества в других интерфейсах. Лицензия в метаданных обозначена как other; конкретные условия следует сверять с файлами репозитория. Модель не заменяет универсальную большую VLM и не должна служить основанием для действий с паролями, платежами, идентификацией или другими решениями с высокими последствиями.

Сценарии применения

  • описание снимка страницы браузера для агента автоматизации
  • извлечение видимого текста, полей и состояния формы из интерфейса
  • обнаружение диалогов, баннеров согласия, CAPTCHA и блокирующих элементов
  • сводка ошибок и индикаторов загрузки на веб-странице

Ограничения

Мелкий, малоконтрастный, перекрытый или нелатинский текст может распознаваться с ошибками; модель также может галлюцинировать подписи элементов и состояние интерфейса. Состояние фокуса, доступность элементов, точность ошибок формы и готовность страницы требуют визуальной проверки; качество на изображениях общего назначения отдельно не оценивалось.

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

WebBrain VL 2 450M

WebBrain VL 2 450M is a browser-GUI specialist derived from LiquidAI/LFM2.5-VL-450M. It turns a browser viewport screenshot into the six-section observation format consumed by WebBrain's planning agent. This repository preserves both the merged Transformers checkpoint and the matching LoRA adapter.

Deployed ONNX/WebGPU benchmark

The separately published webbrain-one/webbrain-vl-2-450M-onnx package reached 44/100 strict passes and a 76.24% mean rubric score in its Q4-decoder/FP16-vision deployment. The WebBrain point in both charts below is that deployed ONNX/WebGPU row, not the 36/100 merged-PyTorch row reported later.

Strict-pass comparison across compact browser-vision models

Strict passes plotted against advertised or effective parameter class

Model and tested runtimeParameter classStrict passesMean rubric
Qwen 3.5 4B, MLX4B55/10083.4%
WebBrain VL 2, deployed ONNX Q4/FP16450M44/10076.2%
Gemma 4 E4B IT, MLXE4B41/10081.3%
Qwen 3.5 2B, MLX2B39/10079.1%
Qwen 3.5 0.8B0.8B20/10041.6%
LFM2.5-VL-1.6B, MLX1.6B12/10044.4%

All rows used the same 100 screenshots and production six-section prompt. The benchmark images, rubrics, runner, and committed result files are public. Gemma E4B is plotted at its effective 4B class. Latency is omitted because the rows used different machines, quantizations, and inference stacks.

Further reading:

Intended use

  • Browser screenshot description for a downstream automation planner.
  • Visible UI text, inputs, form state, dialogs, errors, loading indicators, consent surfaces, CAPTCHAs, overlays, and blockers.
  • A compact local fallback when a larger vision model is unavailable.

This is not a general replacement for a frontier VLM. Do not treat an observation as authorization to perform an action or trust it for passwords, payments, identity, or other high-impact decisions.

Training

ItemValue
Base modelLiquidAI/LFM2.5-VL-450M
Dataset46,879 train + 3,121 validation rows
MethodSupervised LoRA fine-tuning, then merge
LoRArank 16, alpha 32, dropout 0.05
Selected checkpointstep 2,929
Completed trainingstep 2,929, one epoch
Effective batch size16
Learning rate1e-4, cosine schedule, 3% warmup
Maximum image tokens256
PrecisionBF16 with gradient checkpointing
Hardwareone NVIDIA RTX 4090 24 GB
Peak VRAM23,272 MiB

Validation was measured on the immutable 3,121-row validation split. The held-out 100-case WebBrain suite was not used for checkpoint selection. The table below compares the two candidate checkpoints with the same deterministic post-training evaluator. Its absolute loss scale differs from the in-training Trainer metric; the periodic Trainer loss independently improved from 0.366836 at step 500 to 0.326216 at step 2,500.

StepValidation loss
2,5000.326301
2,9290.324976

The root model and adapter/ are the final one-epoch checkpoint.

Data

The public corpus is webbrain-one/webbrain-vl-2-450M-dataset at commit fb191a0b73e0906e6c3b9f35f6ec0dba1337b72c. It contains exactly 50,000 unique browser screenshots:

SourceLicenseRows
targeted browser-GUI syntheticCC-BY-4.033,354
HuggingFaceM4/WebSightCC-BY-4.09,561
Farama-Foundation/miniwob-plusplusMIT4,592
docling-project/screenparseCC-BY-4.02,493

Teacher labels comprise 49,634 accepted responses from qwen/qwen3.6-35b-a3b and 366 from Qwen/Qwen3.6-35B-A3B-Q4_K_M. Teacher outputs can contain OCR errors or hallucinations.

The 50K mix was deliberately balanced across 16,646 legacy rows and targeted browser capabilities: multilingual OCR (8,000), forms (4,500), authentication (2,500), modals/consent (3,500), loading states (2,500), tables (3,500), dashboards (2,500), calendars (2,500), occlusion/contrast (1,500), and general browser pages (2,354).

The frozen local snapshot ID is fb55b3afe2026634d5fadbe35dc4bae5b00602b44634459f65ca93e27f227218. Validation confirmed zero exact or perceptual overlap with WebBrain's unchanged 100-case suite and zero train/validation leakage. A source- and category-balanced manual audit accepted all 44 sampled records.

Evaluation

The unchanged 100-case WebBrain browser-vision suite used the production six-section prompt exactly once after checkpoint selection.

CheckpointStrict passesMean rubricErrors
Base LFM2.5-VL-450M0/1004.17%0
v1, 16,646 examples30/10070.06%0
v2, 50,000 examples36/10074.99%0

Machine-readable results are in eval/. Latency is implementation- and hardware-specific, so it is not presented as a portable speed claim.

Limitations

  • Small, low-contrast, occluded, or non-Latin text can still be missed.
  • UI labels and state can be hallucinated, especially around overlays.
  • Focus, disabled state, exact form errors, and readiness signals need visual corroboration.
  • The model inherits teacher errors and response-style biases.
  • General-image regression has not been measured; evaluate separately before using this checkpoint outside browser screenshots.
  • A syntactically valid six-section response does not make automation safe.

License and attribution

This derivative is distributed under the LFM Open License v1.0, subject to its redistribution and attribution terms. Retain the included LICENSE, the base-model attribution, and all dataset source licenses. Dataset components retain their row-level upstream licensing recorded in the dataset repository.

Reproducibility

release-manifest.json, the training configuration and metrics, machine-readable evaluation files, and SHA256SUMS pin the artifact provenance and released files. Historical manifest and evaluation fields retain the repository IDs that were current when the release was produced; the current public names are the webbrain-vl-2-450M repositories linked in this card.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Lfm2VlForConditionalGeneration
Ревизия весов
e6e5d73

0 моделей