⚡
Z příspěvku na blogu Stop Decoding Coordinates: 3× Faster Computer-Use Grounding ↗ (spusťte E3). Samotná LoRA: GUI-Decisions-31B-LoRA ↗. Zkuste to: GUI-Decisions Space ↗.
Otočení asistenta je pevná šablona; každá štěrbina končí v zástupném symbolu ( ___):
Odpověď slotu je distribuce dalšího tokenu na tokenu před jeho zástupným symbolem, omezená na štítky slotu („slotread_config.json“ je uvádí: akční slova a 256 štítků s jedním tokenem „byte“ na souřadnici). Trénink používal křížovou entropii proti měkkým ordinálním (gaussovským) cílům, takže zásobníky tvoří skutečnou distribuci po obrazovce.
Podává se v bf16 na jednom RTX PRO 6000 a krok používání počítače trvá 190 ms(medián přes 60 studených screenshotů). LoRA na bázi NVFP4 ↗ je rychlejší (152 ms) a zachovává základní model pro textové kroky; tento sloučený model použijte, pokud chcete jeden jednoduchý modelový checkpoint.
Licence
apache-2.0
Zaměření
image-text-to-text
Velikost repozitáře
58.3 GB
Podpora strukturovaného volání nástrojů (tool/function calling) pro agentní úlohy.
Zadej úlohu s definovanými nástroji v JSON schématu a ověř správnost volání funkcí.
Model je dostupný přes knihovnu Hugging Face Transformers. Velikost repozitáře je 58.3 GB (vyžaduje výkonnou GPU s velkou pamětí). Licence: apache-2.0.
