GTA1 72B

🚀 強化学習によるGUI位置特定モデル

本プロジェクトは強化学習（GRPOなど）をベースに構築され、従来の方法が長いテキスト推論に依存する問題を解決し、実際に操作可能な応答を直接促します。GRPOを用いて訓練された最先端のGUI位置特定モデルを公開しており、複数のデータセットで優れた成績を収めています。

🚀 クイックスタート

このプロジェクトをすぐに始めたい場合は、以下のコード例を参考に推論操作を行ってください。詳細については、コードリポジトリをご覧ください。

✨ 主な機能

• 目標アライメント：強化学習（GRPOなど）は、成功したクリック操作に報酬を与えることで、長いテキスト思考連鎖（CoT）推論を促すのではなく、本質的な目標アライメント特性を持ち、より良い位置特定を実現します。
• 直接的な励起：詳細なCoT推論に大きく依存する方法とは異なり、GRPOは実際に操作可能な応答を直接励起します。
• 最先端のモデル：ブログの研究成果に基づき、GRPOを用いて訓練された最先端のGUI位置特定モデルを公開しています。

📈 性能

標準的な評価プロトコルに従い、3つの難しいデータセットでモデルをベンチマークテストしました。当社の方法は、すべてのオープンソースモデルファミリーの中で常に最高の結果を達成しています。以下は比較結果です。

⚠️ 重要な注意事項

• モデルの規模は、パラメータ数を10億（B）単位で表しています。
• 短い横線（—）は、現在取得できない結果を示しています。
• 上付きの星印（﹡）は、当社の評価結果を示しています。
• UI - TARS - 1.5 7B、Qwen2.5 - VL - 32B - Instruct、およびQwen2.5 - VL - 72B - Instruct は、当社のベースラインモデルとして使用されています。
• ∆ は、当社のモデルがベースラインに対して向上した性能を示しています。

💻 使用例

基本的な使用法

以下のコードスニペットは、訓練済みのモデルを使用して推論を行う方法を示しています。

from PIL import Image
from qwen_vl_utils import process_vision_info, smart_resize
from transformers import Qwen2_5_VLForConditionalGeneration, AutoProcessor
import torch
import re

SYSTEM_PROMPT = '''
You are an expert UI element locator. Given a GUI image and a user's element description, provide the coordinates of the specified element as a single (x,y) point. The image resolution is height {height} and width {width}. For elements with area, return the center point.

Output the coordinate pair exactly:
(x,y)
'''
SYSTEM_PROMPT=SYSTEM_PROMPT.strip()

# Function to extract coordinates from model output
def extract_coordinates(raw_string):
    try:
        matches = re.findall(r"\((-?\d*\.?\d+),\s*(-?\d*\.?\d+)\)", raw_string)
        return [tuple(map(int, match)) for match in matches][0]
    except:
        return 0,0

# Load model and processor
model_path = "HelloKKMe/GTA1-72B"
max_new_tokens = 32

model = Qwen2_5_VLForConditionalGeneration.from_pretrained(
    model_path,
    torch_dtype=torch.bfloat16,
    attn_implementation="flash_attention_2",
    device_map="auto"
)
processor = AutoProcessor.from_pretrained(
    model_path,
    min_pixels=3136,
    max_pixels= 4096 * 2160
)

# Load and resize image
image = Image.open("file path")
instruction = "description"  # Instruction for grounding
width, height = image.width, image.height

resized_height, resized_width = smart_resize(
    image.height,
    image.width,
    factor=processor.image_processor.patch_size * processor.image_processor.merge_size,
    min_pixels=processor.image_processor.min_pixels,
    max_pixels=processor.image_processor.max_pixels,
)
resized_image = image.resize((resized_width, resized_height))
scale_x, scale_y = width / resized_width, height / resized_height

# Prepare system and user messages
system_message = {
   "role": "system",
   "content": SYSTEM_PROMPT.format(height=resized_height,width=resized_width)
}

user_message = {
    "role": "user",
    "content": [
        {"type": "image", "image": resized_image},
        {"type": "text", "text": instruction}
    ]
}

# Tokenize and prepare inputs
image_inputs, video_inputs = process_vision_info([system_message, user_message])
text = processor.apply_chat_template([system_message, user_message], tokenize=False, add_generation_prompt=True)
inputs = processor(text=[text], images=image_inputs, videos=video_inputs, padding=True, return_tensors="pt")
inputs = inputs.to(model.device)

# Generate prediction
output_ids = model.generate(**inputs, max_new_tokens=max_new_tokens, do_sample=False, temperature=1.0, use_cache=True)
generated_ids = [output_ids[len(input_ids):] for input_ids, output_ids in zip(inputs.input_ids, output_ids)]
output_text = processor.batch_decode(generated_ids, skip_special_tokens=True, clean_up_tokenization_spaces=True)[0]

# Extract and rescale coordinates
pred_x, pred_y  = extract_coordinates(output_text) 
pred_x*=scale_x
pred_y*=scale_y 
print(pred_x,pred_y)