模型详情
模型介绍
中文整理# ScaleCUA 模型卡片
模型用途
ScaleCUA是一个计算机使用代理模型，基于视觉-语言模型开发，能够自动化与图形用户界面进行交互。该模型旨在实现跨异构平台的通用计算机操作能力。
## 主要能力
ScaleCUA支持在6个操作系统和3个任务领域运行。经过大规模跨平台数据训练，该模型在多个基准测试中取得显著性能提升：
- 相比基线模型，WebArena-Lite-v2成功率提升26.6个百分点
- 相比基线模型，ScreenSpot-Pro提升10.7个百分点
- MMBench-GUI L1-Hard达到94.4%
- OSWorld-G达到60.6%
- WebArena-Lite-v2达到47.4%
该模型采用数据驱动的 methodology，有效提升了GUI理解、定位和跨平台任务完成能力。
## 输入输出
- *输入**：视觉图像（用户界面截图）结合文本描述或指令
- *输出**：
- 可执行的鼠标/键盘操作动作
- 目标元素的坐标位置
- 低层次操作指令
- 推理过程（Reasoned Action Mode下）
运行要求
- 基于transformers库运行
- 需要视觉-语言模型支持
- 建议使用GPU进行推理
基本用法
模型提供两种工作模式：
- *直接动作模式（Direct Action Mode）**
适用于需要直接进行GUI定位的任务，如根据描述识别并点击特定按钮。该模式专注于根据视觉输入生成即时可执行的动作。
- *推理动作模式（Reasoned Action Mode）**
适用于复杂的多步骤任务。模型会先思考问题，阐明预期操作，然后生成相应的动作代码。这是通用计算机自动化任务的推荐模式。
许可证
该项目的代码、数据和模型已公开发布，供研究社区使用。
## 引用
如在研究中使用该项目，请考虑引用ScaleCUA。
优先采用原作者提供的中文模型卡片；仅有英文说明时由闲社AI翻译整理。重要参数、许可证和商用范围请以原文为准。
你将获得什么
完整仓库方式包含该固定版本中的权重、配置、分词器及说明文件；指定版本方式只下载所选文件或整组分片。多模态模型的投影文件、配置等依赖，请按作者说明配齐。
完整仓库可能包含多个权重格式，因此需要的磁盘空间可能大于单一格式的模型大小。下载文件不等于完成模型部署。
使用前须知
运行环境
运行模型需要的设备、工具与依赖，以原作者说明为准。
授权范围
是否允许商用、修改和分发，请查看模型许可证。
闲社提供资料与镜像下载方法，不代表已运行模型或完成安全审计。下载的代码应先检查，再执行。
资料或下载有问题？
登录后可提交反馈。