/ Модель

Характеристики

Контекст
64 000 токенов
Размер весов
20,6 ГБ
Лицензия
MIT
Архитектура
glm4v · dense
Базовая модель
GLM-4.1V-9B-Base
Библиотека
transformers
Опубликована
8 дек 2025

AutoGLM-Phone-9B

Изображение и текст → текст3 профессии

AutoGLM-Phone-9B — мультимодальная модель для понимания экранов Android и поддержки автоматизации задач на смартфоне через Phone Agent.

841скачиваний за 30 дней446лайковвеса обновлены7 янв 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

AutoGLM-Phone-9B — мультимодальная модель Zhipu AI для управления смартфоном в составе фреймворка Phone Agent. Она анализирует снимки экрана и текстовые запросы, чтобы понимать интерфейс и поддерживать выполнение заданных пользователем задач на мобильном устройстве. Система использует ADB для управления Android-устройством, планирует последовательности действий и может передавать человеку сценарии входа или ввода кода подтверждения; чувствительные действия требуют подтверждения.

Модель дообучена на базе zai-org/GLM-4.1V-9B-Base, использует архитектуру GLM-4V и распространяется в формате Safetensors для Transformers. В карточке указаны китайский язык и задача image-text-to-text; базовая модель поддерживает китайский и английский. Лицензия — MIT. Проект предназначен для исследований и обучения; практическое использование зависит от фреймворка Phone Agent и доступа к Android-устройству через ADB.

Сценарии применения

  • выполнение заданий на смартфоне по текстовой команде
  • поиск информации в мобильных приложениях
  • навигация по интерфейсу Android по снимкам экрана
  • автоматизация последовательностей действий в приложениях
  • удалённое управление Android-устройством через ADB

Ограничения

Это исследовательский проект, которому для управления устройством нужны Phone Agent и подключение Android через ADB. Для входа и ввода кодов подтверждения предусмотрено участие человека; чувствительные действия требуют подтверждения.

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

AutoGLM-Phone-9B

⚠️ This project is intended for research and educational purposes only.
Any use for illegal data access, system interference, or unlawful activities is strictly prohibited.
Please review our Terms of Use carefully.

Project Overview

Phone Agent is a mobile intelligent assistant framework built on AutoGLM, capable of understanding smartphone screens through multimodal perception and executing automated operations to complete tasks.
The system controls devices via ADB (Android Debug Bridge), uses a vision-language model for screen understanding, and leverages intelligent planning to generate and execute action sequences.

Users can simply describe tasks in natural language—for example, “Open Xiaohongshu and search for food recommendations.”
Phone Agent will automatically parse the intent, understand the current UI, plan the next steps, and carry out the entire workflow.

The system also includes:

  • Sensitive action confirmation mechanisms
  • Human-in-the-loop fallback for login or verification code scenarios
  • Remote ADB debugging, allowing device connection via WiFi or network for flexible remote control and development

Model Usage

We provide an open-source model usage guide to help you quickly download and deploy the model.
Please visit our GitHub for detailed instructions.

  • The model architecture is identical to GLM-4.1V-9B-Thinking.
    For deployment details, see the GLM-V repository.

Citation

If you find our work helpful, please cite the following paper:

@article{liu2024autoglm,
  title={Autoglm: Autonomous foundation agents for guis},
  author={Liu, Xiao and Qin, Bo and Liang, Dongzhu and Dong, Guang and Lai, Hanyu and Zhang, Hanchen and Zhao, Hanlin and Iong, Iat Long and Sun, Jiadai and Wang, Jiaqi and others},
  journal={arXiv preprint arXiv:2411.00820},
  year={2024}
}
@article{xu2025mobilerl,
  title={MobileRL: Online Agentic Reinforcement Learning for Mobile GUI Agents},
  author={Xu, Yifan and Liu, Xiao and Liu, Xinghan and Fu, Jiaqi and Zhang, Hanchen and Jing, Bohao and Zhang, Shudan and Wang, Yuting and Zhao, Wenyi and Dong, Yuxiao},
  journal={arXiv preprint arXiv:2509.18119},
  year={2025}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Glm4vForConditionalGeneration
Ревизия весов
66a46ea

0 моделей