MAI-UI-8B — модель Tongyi-MAI для понимания экранов и навигации GUI-агентов по мобильным интерфейсам.

Подходит для: поиск элементов управления на скриншоте приложения · навигация GUI-агента по мобильному приложению · выполнение текстовых инструкций через графический интерфейс

Мультимодальная модель-агент на базе Qwen3-VL для выполнения задач в графических интерфейсах настольных и мобильных устройств.

Подходит для: навигация по сайтам и веб-приложениям · управление файлами через графический интерфейс компьютера · переходы по экранам мобильных приложений

UI-Mate-9B — мультимодальный GUI-агент Tencent для выполнения задач на компьютере по инструкциям и снимкам экрана с выдачей действий мышью и клавиатурой.

Подходит для: выполнение последовательности действий в настольных приложениях · управление интерфейсом по снимкам экрана и текстовой инструкции · автоматизация задач в нескольких приложениях

Дообученная мультимодальная модель Qwen3-VL для выполнения задач в мобильных графических интерфейсах и обучения GUI-агентов.

Подходит для: Навигация по экранам мобильных приложений · Изменение настроек на смартфоне через графический интерфейс · Выполнение последовательностей действий в мобильном приложении

ShowUI-2B — дообученная мультимодальная модель для создания агентов, которые понимают графические интерфейсы и выполняют в них задачи по инструкциям.

Подходит для: создание GUI-агента для управления приложениями · выполнение инструкций в графическом интерфейсе компьютера · анализ снимка экрана перед выбором действия

Дообученная мультимодальная Qwen3-VL для выполнения задач в графическом интерфейсе настольного компьютера и обучения GUI-агентов.

Подходит для: выполнение задач в настольных приложениях по инструкции · автоматизация навигации в браузере · управление файлами через графический интерфейс

Мультимодальная модель на базе Qwen2.5-VL, которая сопоставляет текстовые инструкции с нужными элементами графического интерфейса.

Подходит для: поиск кнопки или поля по текстовой инструкции на скриншоте · определение элемента интерфейса для клика GUI-агентом · привязка команды пользователя к подходящему элементу приложения

Мультимодальная модель для выбора и локализации элементов графического интерфейса по текстовым инструкциям, дообученная на Qwen2.5-VL-7B методом AEPO.

Подходит для: поиск кнопки или поля интерфейса по текстовой инструкции · привязка команды пользователя к нужному элементу экрана · выбор функционально подходящего элемента среди похожих контролов

Визуально-языковая модель ByteDance для восприятия экранов и автоматизации действий в графических интерфейсах по текстовым инструкциям.

Подходит для: автоматизация действий на веб-страницах · управление элементами интерфейса мобильных приложений · выполнение инструкций в настольных приложениях

Мультимодальная модель Qwen3-VL на 8 млрд параметров, дообученная для выполнения задач через мобильный графический интерфейс.

Подходит для: навигация по экранам мобильных приложений · изменение настроек на смартфоне по текстовой инструкции · выполнение задач в мобильных приложениях как GUI-агент

Дообученная Qwen2.5-VL-7B для визуального анализа пользовательских интерфейсов и привязки действий к их элементам.

Подходит для: анализ скриншотов пользовательского интерфейса · определение элементов интерфейса по изображению · привязка команд к элементам графического интерфейса

UIClip сопоставляет скриншоты интерфейсов с текстовыми описаниями, чтобы оценивать качество дизайна и помогать искать улучшения.

Подходит для: оценка качества дизайна по скриншоту интерфейса · проверка соответствия скриншота текстовому описанию · сравнение вариантов сгенерированного интерфейса

UI-UG — мультимодальная модель для анализа элементов пользовательских интерфейсов и генерации UI по текстовому описанию.

Подходит для: описание элемента интерфейса по координатам · поиск и локализация кнопок, иконок и других элементов на скриншоте · классификация элементов пользовательского интерфейса

UI-TARS-7B-SFT — визуально-языковая модель ByteDance для понимания экранов и автоматизации действий в графических интерфейсах.

Подходит для: поиск кнопок и полей на скриншоте · выполнение пошаговых задач в веб-интерфейсе · управление мобильными приложениями по скриншоту

Дообученная на траекториях Uni-GUI мультимодальная модель Qwen3-VL для выполнения задач через графический интерфейс настольных систем.

Подходит для: выполнение задач в настольных приложениях по скриншоту и текстовой инструкции · управление файлами через графический интерфейс · выполнение действий в браузере и переход по веб-страницам

UI2Code^N — мультимодальная модель на базе GLM-4.1V-9B-Base для генерации кода пользовательских интерфейсов по изображениям, их редактирования и визуальной полировки.

Подходит для: создание кода интерфейса по скриншоту · редактирование существующего интерфейса по изображению и текстовым указаниям · визуальная полировка веб-интерфейса

Мультимодальный агент Tencent на основе Qwen3.6-27B, который управляет графическим интерфейсом по скриншотам и инструкции, используя при необходимости демонстрацию рабочего процесса.

Подходит для: автоматизация задач на рабочем столе по текстовой инструкции · повторение процедуры в новом интерфейсе по одной демонстрации · управление приложениями по текущим скриншотам

Компактная мультимодальная модель для выполнения действий в компьютерных и мобильных интерфейсах по снимку экрана и текстовой инструкции.

Подходит для: нажатие кнопки по её расположению на снимке экрана · ввод текста в поле интерфейса · управление интерфейсом через последовательность щелчков и нажатий клавиш

Мультимодальная модель на базе Qwen3.5, дообученная для распознавания элементов интерфейса и многошагового управления компьютером по скриншотам.

Подходит для: поиск кнопок и других элементов на скриншоте интерфейса · определение координат элемента для нажатия или выбора · выполнение многошаговых задач в браузере

Открытая мультимодальная модель Ai2, которая находит запрошенный элемент графического интерфейса на одном изображении и указывает его точкой.

Подходит для: указание кнопки или элемента интерфейса по текстовой инструкции · поиск нужного элемента на снимке экрана · определение точки клика для автоматизации интерфейса

Мультимодальная модель на базе Qwen2.5-VL-32B для распознавания графических интерфейсов и генерации действий компьютерного агента.

Подходит для: выполнение многошаговых задач в графическом интерфейсе по текстовой инструкции · распознавание и локализация кнопок и других элементов интерфейса на снимке экрана · генерация координат кликов и последовательностей действий для компьютерного агента

UI-Voyager — дообученный мультимодальный агент, который воспринимает мобильный интерфейс и выполняет задачи на Android.

Подходит для: автономное выполнение задач в Android-приложениях · распознавание элементов мобильного интерфейса по скриншотам · понимание назначения кнопок и других элементов экрана

Мультимодальная модель на базе Qwen2.5-VL для обнаружения и привязки элементов мобильного интерфейса в задачах GUI-агентов.

Подходит для: поиск кнопок и других элементов на скриншоте мобильного приложения · определение расположения элемента интерфейса по текстовому запросу · привязка действий мобильного агента к элементам экрана

UIClip сопоставляет скриншоты пользовательских интерфейсов с английскими описаниями для оценки их визуального качества и релевантности.

Подходит для: Оценка соответствия скриншота интерфейса текстовому описанию · Сравнение и ранжирование вариантов веб-дизайна · Поиск скриншотов интерфейсов по текстовому запросу