GTA1 32B

🚀 強化學習GUI定位模型GTA1

本項目藉助強化學習（如GRPO）實現GUI定位，通過獎勵成功點擊來直接激勵可操作且基於實際的響應，而非依賴冗長的思維鏈推理。我們分享了使用GRPO訓練的最先進的GUI定位模型。

🚀 快速開始

本項目主要聚焦於強化學習在GUI定位中的應用，藉助GRPO算法訓練模型，以實現更精準的GUI定位。通過在多個挑戰性數據集上的測試，驗證了模型的性能。

✨ 主要特性

• 目標對齊：強化學習（如GRPO）因其固有的目標對齊特性，即獎勵成功點擊，而非鼓勵冗長的文本思維鏈（CoT）推理，有助於實現定位。
• 直接激勵：與嚴重依賴冗長CoT推理的方法不同，GRPO直接激勵可操作且基於實際的響應。
• 性能卓越：在多個挑戰性數據集上進行基準測試，模型在所有開源模型家族中始終取得最佳結果。

📚 詳細文檔

模型性能

我們遵循標準評估協議，在三個具有挑戰性的數據集上對模型進行基準測試。以下是比較結果：

⚠️ 重要提示

• 模型大小以十億（B）參數表示。
• 短橫線（—）表示當前無法獲取的結果。
• 上標星號（﹡）表示我們的評估結果。
• UI - TARS - 1.5 7B、Qwen2.5 - VL - 32B - Instruct 和 Qwen2.5 - VL - 72B - Instruct 作為我們的基線模型。
• ∆ 表示我們的模型與其基線相比的性能提升。

💻 使用示例

基礎用法

以下是一個代碼片段，展示瞭如何使用訓練好的模型進行推理：

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/GTA1-32B"
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)

更多詳細信息請參考我們的 代碼。