Fintor GUI S2

🚀 Fintor-GUI-S2

Fintor-GUI-S2 是一個基於圖像和文本輸入生成文本的模型，它在圖形用戶界面（GUI）基礎模型方面表現出色，能有效解決 GUI 相關的文本生成問題，為多模態交互提供了強大的支持。

📦 安裝指南

文檔未提供具體安裝步驟，故跳過此章節。

✨ 主要特性

• Fintor-GUI-S2 是一個從 UI-TARS-7B-DPO 微調而來的 GUI 基礎模型。
• 使用 OS-Copilot 數據集進行微調，訓練採用了 SFT 和 LoRA 技術。

📚 詳細文檔

模型描述

Fintor-GUI-S2 是一個從 UI-TARS-7B-DPO 微調而來的 GUI 基礎模型。

評估結果

我們使用 Screenspot 在兩個基準測試集 Screenspot Pro 和 Screenspot v2 上對模型進行了評估。同時，我們還提供了在這些基準測試中使用的評估腳本。下表將我們模型的性能與基礎模型的性能進行了對比：

注意：基礎模型的得分略低於論文中提到的分數，因為用於評估的提示未公開。我們在評估基礎模型和微調模型時使用了默認提示。

訓練過程

該模型使用 OS-Copilot 數據集進行微調：OS-Copilot。

此模型使用 SFT 和 LoRA 進行訓練。

評估腳本

評估腳本可在此處獲取 - Screenspot_Ui-Tars

💻 使用示例

基礎用法

from transformers import Qwen2VLForConditionalGeneration, AutoTokenizer, AutoProcessor
from qwen_vl_utils import process_vision_info
# default: Load the model on the available device(s)
model = Qwen2VLForConditionalGeneration.from_pretrained(
    "Fintor/Ui-Tars-7B-Instruct-Finetuned-Os-Atlas", 
    torch_dtype=torch.bfloat16,
    attn_implementation="flash_attention_2",
    device_map="auto",
)
# default processer
processor = AutoProcessor.from_pretrained("Fintor/Ui-Tars-7B-Instruct-Finetuned-Os-Atlas")
# Example input
messages = [
    {
        "role": "user",
        "content": [
            {
                "type": "image",
                "image": "path/to/image.jpeg",
            },
            {"type": "text", "text": "Describe this image."},
        ],
    }
]
# Preparation for inference
text = processor.apply_chat_template(
    messages, tokenize=False, add_generation_prompt=True
)
image_inputs, video_inputs = process_vision_info(messages)
inputs = processor(
    text=[text],
    images=image_inputs,
    videos=video_inputs,
    padding=True,
    return_tensors="pt",
)
inputs = inputs.to("cuda")
# Inference: Generation of the output
generated_ids = model.generate(**inputs, max_new_tokens=128)
generated_ids_trimmed = [
    out_ids[len(in_ids) :] for in_ids, out_ids in zip(inputs.input_ids, generated_ids)
]
output_text = processor.batch_decode(
    generated_ids_trimmed, skip_special_tokens=True, clean_up_tokenization_spaces=False
)
print(output_text)

📄 許可證

本模型使用 Apache-2.0 許可證。

📚 引用

文檔未提供具體引用內容，故跳過此章節。

📋 模型信息