inclusionAI/VISTA-9B：基于VISTA训练的GUI定位视觉语言模型

VISTA-9B 是基于 Qwen3.5 9B 主干网络训练的 GUI 定位视觉语言模型，采用 VISTA：面向 GUI 定位的视图一致性自验证训练。

模型描述

VISTA-9B 是一个 GUI 定位模型，它将屏幕截图和自然语言指令映射为归一化 0-1000 图像坐标系中的点击坐标。

视图一致性 GRPO 训练。 VISTA 从同一 GUI 实例的目标保持视图中构建每个 GRPO 对比组，并在裁剪视图之间进行精确的坐标重映射。这使得模型在语义等价但几何不同的屏幕截图下暴露其定位行为。
自验证跨视图锚定。 训练目标仅在模型生成的 rollout 已产生最大奖励预测时，才添加 oracle 格式的中心点锚定，从而稳定短坐标生成，而不会在全失败组上进行无条件模仿。

评估

报告 GUI 定位的准确率。模型预测 0-1000 坐标系中的归一化坐标，如果该点位于目标元素内部，则预测计为正确。所有报告的结果均使用 temperature 0 的确定性解码和单视图推理。

GUI 定位基准测试结果

模型	SSPro	SSV2	OSWorld-G	OSWorld-G-R
Qwen3.5-4B	60.3	90.4	54.4	66.8
GRPO-4B	62.2	94.2	59.9	69.2
VISTA-4B	64.2	93.8	61.2	69.7
Δ	+2.0	-0.4	+1.3	+0.5
Qwen3.5-9B	65.2	91.9	63.1	74.6
GRPO-9B	68.3	95.2	67.5	75.2
VISTA-9B	69.2	95.8	68.1	75.5
Δ	+0.9	+0.6	+0.6	+0.3
Qwen3.5-35B-A3B	68.6	93.8	65.8	72.5
GRPO-35B-A3B	71.7	95.7	70.4	74.3
VISTA-35B-A3B	72.9	95.8	71.5	75.3
Δ	+1.2	+0.1	+1.1	+1.0

快速开始

使用与底层 Qwen3.5 视觉语言模型相同的图像对话界面。推荐的提示词为：

Output the center point of the position corresponding to the instruction: {instruction}. The output should just be the coordinates of a point, in the format [x,y].

示例：

import torch
from PIL import Image
from transformers import AutoModelForImageTextToText, AutoProcessor

model_id = "inclusionAI/VISTA-9B"  

model = AutoModelForImageTextToText.from_pretrained(
    model_id,
    torch_dtype=torch.bfloat16,
    device_map="auto",
    trust_remote_code=True,
)
processor = AutoProcessor.from_pretrained(model_id, trust_remote_code=True)

image = Image.open("screenshot.png").convert("RGB")
instruction = "Click the search button"
prompt = (
    "Output the center point of the position corresponding to the instruction: "
    f"{instruction}. The output should just be the coordinates of a point, "
    "in the format [x,y]."
)

messages = [
    {
        "role": "user",
        "content": [
            {"type": "image", "image": image},
            {"type": "text", "text": prompt},
        ],
    }
]

text = processor.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True,
)
inputs = processor(
    text=[text],
    images=[image],
    padding=True,
    return_tensors="pt",
).to(model.device)

generated = model.generate(
    **inputs,
    max_new_tokens=32,
    do_sample=False,
)
new_tokens = generated[:, inputs.input_ids.shape[1]:]
response = processor.batch_decode(new_tokens, skip_special_tokens=True)[0].strip()
print(response)  # e.g. [512,384]

引用

如果您觉得我们的工作对您有帮助，请考虑引用：

@misc{qiu2026vista,
      title={VISTA: View-Consistent Self-Verified Training for GUI Grounding},
      author={Xinyu Qiu, Yunzhu Zhang, Heng Jia, Shuheng Shen, Changhua Meng, Linchao Zhu},
      year={2026},
      eprint={2606.14579},
      archivePrefix={arXiv},
      primaryClass={cs.AI},
      url={https://arxiv.org/abs/2606.14579},
}