🖥 هوش مصنوعی با درک رابط کاربری
مدل جدید Qwen-CUA نشان می‌دهد که یک ایجنت هوشمند برای تعامل با کامپیوتر نیازی به دسترسی به DOM، API اختصاصی یا کدهای زیرساختی ندارد. این ایجنت دقیقاً مانند یک انسان، تنها با مشاهده تصویر صفحه و استفاده از ماوس و کیبورد، برنامه‌ها را کنترل می‌کند.
این رویکرد که «اسکرین‌شات» را به یک API جهانی برای ایجنت‌ها تبدیل می‌کند، پیچیدگی‌های اتصال به ابزارهای مختلف را از بین می‌برد.
مهم‌ترین ویژگی‌ها و نتایج این مدل:
• مدیریت چالش‌های طولانی‌مدت با استفاده از حافظه بصری (ذخیره ۲۰ اسکرین‌متر آخر و فشرده‌سازی تاریخچه).
• دستیابی به امتیاز ۸۶.۲ در OSWorld-Verified.
• آموزش‌دیده بر پایه ۴۰ هزار وظیفه قابل‌راستی‌آزمایی و استفاده از ۱۰۰ هزار هسته مجازی.
بزرگترین چالش فعلی همچنان انجام وظایف طولانی است که در آن‌ها یک خطای کوچک در ابتدای مسیر می‌تواند کل پروسه را مختل کند. با این حال، انتقال از وابستگی به کد به سمت «درک بصری»، گامی بزرگ در توسعه ایجنت‌های خودمختار محسوب می‌شود.
مدل جدید Qwen-CUA نشان می‌دهد که یک ایجنت هوشمند برای تعامل با کامپیوتر نیازی به دسترسی به DOM، API اختصاصی یا کدهای زیرساختی ندارد. این ایجنت دقیقاً مانند یک انسان، تنها با مشاهده تصویر صفحه و استفاده از ماوس و کیبورد، برنامه‌ها را کنترل می‌کند.
این رویکرد که «اسکرین‌شات» را به یک API جهانی برای ایجنت‌ها تبدیل می‌کند، پیچیدگی‌های اتصال به ابزارهای مختلف را از بین می‌برد.
مهم‌ترین ویژگی‌ها و نتایج این مدل:
• مدیریت چالش‌های طولانی‌مدت با استفاده از حافظه بصری (ذخیره ۲۰ اسکرین‌متر آخر و فشرده‌سازی تاریخچه).
• دستیابی به امتیاز ۸۶.۲ در OSWorld-Verified.
• آموزش‌دیده بر پایه ۴۰ هزار وظیفه قابل‌راستی‌آزمایی و استفاده از ۱۰۰ هزار هسته مجازی.
بزرگترین چالش فعلی همچنان انجام وظایف طولانی است که در آن‌ها یک خطای کوچک در ابتدای مسیر می‌تواند کل پروسه را مختل کند. با این حال، انتقال از وابستگی به کد به سمت «درک بصری»، گامی بزرگ در توسعه ایجنت‌های خودمختار محسوب می‌شود.
📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی#Qwen_CUA #OSWorld
📩 ارتباط با ما
🚀 رونمایی از مدل قدرتمند Qwen3.8-27B
تیم Qwen از مدل جدید خود با نام Qwen3.8-27B رونمایی کرد. این مدل ۲۷ میلیاردی با لایسنس Apache 2.0، از ۲۶۲ هزار توکن در پنجره متنی پشتیبانی می‌کند که تا ۱ میلیون توکن قابل گسترش است.
این مدل علاوه بر متن، توانایی درک تصویر و ویدیو را دارد و با قابلیت‌های Thinking Mode و استفاده از ابزار، برای سناریوهای عامل‌محور (Agentic) بهینه شده است.
مهم‌ترین نتایج بنچمارک‌های این مدل:
* کدنویسی رقابتی (LiveCodeBench): امتیاز ۹۰.۳
* مهندسی نرم‌افزار (SWE-bench Pro): امتیاز ۶۱.۷
* استفاده از سیستم‌عامل (OSWorld): امتیاز ۸۴.۳
* استفاده از موبایل (AndroidWorld): امتیاز ۸۱.۹
* تحلیل نمودارهای علمی (CharXiv): امتیاز ۹۰.۲
شما می‌توانید این مدل را از طریق فریم‌ورک‌هایی مانند Transformers، vLLM و SGLang اجرا کنید. همچنین نسخه‌های سازگار برای استفاده در محیط‌های محلی مانند llama.cpp، Ollama و LM Studio در دسترس است.
تیم Qwen از مدل جدید خود با نام Qwen3.8-27B رونمایی کرد. این مدل ۲۷ میلیاردی با لایسنس Apache 2.0، از ۲۶۲ هزار توکن در پنجره متنی پشتیبانی می‌کند که تا ۱ میلیون توکن قابل گسترش است.
این مدل علاوه بر متن، توانایی درک تصویر و ویدیو را دارد و با قابلیت‌های Thinking Mode و استفاده از ابزار، برای سناریوهای عامل‌محور (Agentic) بهینه شده است.
مهم‌ترین نتایج بنچمارک‌های این مدل:
* کدنویسی رقابتی (LiveCodeBench): امتیاز ۹۰.۳
* مهندسی نرم‌افزار (SWE-bench Pro): امتیاز ۶۱.۷
* استفاده از سیستم‌عامل (OSWorld): امتیاز ۸۴.۳
* استفاده از موبایل (AndroidWorld): امتیاز ۸۱.۹
* تحلیل نمودارهای علمی (CharXiv): امتیاز ۹۰.۲
شما می‌توانید این مدل را از طریق فریم‌ورک‌هایی مانند Transformers، vLLM و SGLang اجرا کنید. همچنین نسخه‌های سازگار برای استفاده در محیط‌های محلی مانند llama.cpp، Ollama و LM Studio در دسترس است.
📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی#Qwen3_8_27B #OSWorld
📩 ارتباط با ما