/ Модель

Характеристики

Контекст
65 536 токенов
Размер весов
20,6 ГБ
Лицензия
MIT
Архитектура
glm4v · dense
Базовая модель
GLM-4.1V-9B-Base
Библиотека
transformers
Опубликована
12 ноя 2025

WebVIA-Agent

Изображение и текст → текст3 профессии

WebVIA-Agent — мультимодальная модель для анализа скриншотов веб-интерфейсов и поддержки агентной навигации по сайтам в системе UI-to-Code.

301скачиваний за 30 дней20лайковвеса обновлены12 ноя 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

WebVIA-Agent — дообученная мультимодальная модель из проекта WebVIA, созданная на базе zai-org/GLM-4.1V-9B-Base. Она служит агентной системе для навигации по сайтам и получения скриншотов интерфейса в разных состояниях; проект также включает отдельные модули генерации UI-кода и проверки результата.

Модель принимает изображения и текстовые запросы и предназначена для анализа визуального содержимого веб-интерфейсов в интерактивных сценариях UI-to-Code. В карточке указана архитектура GLM-4.1V с плотной моделью и классом Glm4vForConditionalGeneration; веса доступны в формате safetensors для Transformers. Заявлены китайский и английский языки. Лицензия — MIT.

Описание не приводит точных характеристик контекста или подробных результатов оценки. Генерацию функционального HTML/CSS/JavaScript и проверку поведения выполняют другие модули WebVIA, поэтому их возможности нельзя приписывать одному WebVIA-Agent.

Сценарии применения

  • анализ скриншотов веб-страниц
  • понимание состояний пользовательского интерфейса
  • поддержка навигации агента по сайтам
  • передача визуального контекста системе генерации UI-кода

Ограничения

README не приводит подробных оценок качества или ограничений. Генерацию интерактивного HTML/CSS/JavaScript и валидацию поведения обеспечивает отдельная система WebVIA, а не сама модель.

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

WebVIA is the first agentic framework for interactive and verifiable UI-to-Code generation. While prior vision-language models only produce static HTML/CSS layouts, WebVIA enables executable and interactive web interfaces. The framework consists of three modules: WebVIA-Agent – navigates websites and captures multi-state UI screenshots. WebVIA-UI2Code – generates functional HTML/CSS/JavaScript code with interactivity. Validation Module – verifies whether the generated UI behaves as expected.

Backbone Model

Our model is built on GLM-4.1V-9B-Base.

Quick Inference

This is a simple example of running single-image inference using the transformers library.
First, install the transformers library:

pip install transformers>=4.57.1

Then, run the following code:

from transformers import AutoProcessor, AutoModelForImageTextToText
import torch

messages = [
    {
        "role": "user",
        "content": [
            {
                "type": "image",
                "url": "https://raw.githubusercontent.com/zheny2751-dotcom/UI2Code-N/main/assets/example.png"
            },
            {
                "type": "text",
                "text": "Based on the domtree and the page screenshot, please identify which interactive components in the image require interaction. Please note that if similar buttons have been clicked on similar pages in the past, do not click them again, and also do not select buttons that are obscured on the page."
            }
        ],
    }
]
processor = AutoProcessor.from_pretrained("zai-org/WebVIA-Agent")
model = AutoModelForImageTextToText.from_pretrained(
    pretrained_model_name_or_path="zai-org/WebVIA-Agent",
    torch_dtype=torch.bfloat16,
    device_map="auto",
)
inputs = processor.apply_chat_template(
    messages,
    tokenize=True,
    add_generation_prompt=True,
    return_dict=True,
    return_tensors="pt"
).to(model.device)
generated_ids = model.generate(**inputs, max_new_tokens=16384)
output_text = processor.decode(generated_ids[0][inputs["input_ids"].shape[1]:], skip_special_tokens=False)
print(output_text)

See our Github Repo for more detailed usage.

Citation

If you find our model useful in your work, please cite it with:

@article{xu2025webvia,
    title={WebVIA: A Web-based Vision-Language Agentic Framework for Interactive and Verifiable UI-to-Code Generation},
    author={Xu, Mingde and Yang, Zhen and Hong, Wenyi and Pan, Lihang and Fan, Xinyue and Wang, Yan and Gu, Xiaotao and Xu, Bin and Tang, Jie},
    year={2025},
    journal={arXiv preprint arXiv:2511.06251}
}

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
d6ee0ce

0 моделей