Smol2Operator: entrenamiento posterior de agentes GUI para el uso de computadoras

Resumen del corpus

Investigadores de Hugging Face presentaron Smol2Operator, un método de entrenamiento en dos fases que convierte al modelo de visión-lenguaje SmolVLM2-2.2B-Instruct en un agente capaz de operar interfaces gráficas. La primera fase enseña a localizar elementos en pantalla y la segunda añade razonamiento para planificar acciones, elevando la precisión en el benchmark ScreenSpot-v2 del 0% al 61,71%. Publicaron recetas, datos, herramientas y el modelo con código abierto para permitir su reproducción.

Periodista: Amir Mahla, merve, Sergio Paniego, Vaibhav Srivastav, Lewis Tunstall

Noticia original

Ver todas las noticias de Hugging Face Blog