MAI-Swift-2B

Адаптер на базе MAI-UI-2B от независимого исследователя dongjintao превращает скриншот, инструкцию и историю выполненных действий в одну структурированную Android-команду. Предсказание идёт за один нативный causal forward по 105 фиксированным слотам.

✨ Ключевые особенности

• ✅ На выходе — JSON-действие: tap, long_press, swipe, scroll, type_text, open_app, back, home и другие.
• 🔥 105 слотов: тип действия, две пары координат и текст до 99 payload-токенов плюс EOS.
• ⬇ LoRA-адаптер на 433,68 млн параметров (1,73 ГБ) покрывает 301 линейный модуль в vision tower, проекциях, языковой модели и output head.
• 👁 Координаты нормализованы к 0–1000; неактивные поля декодер игнорирует.
• 🤝 Обучение только на AndroidControl: официальный LLaMA-Factory, PEFT rank 256, alpha 16, learning rate 1e-5.

👁 Пример

python prepare_dependencies.py --destination /path/on/data-disk/mai-swift-deps
python infer.py --base-model /path/on/data-disk/mai-swift-deps/MAI-UI-2B --bundle /path/on/data-disk/mai-swift-deps/runtime-bundle --request request.json

Подробнее

Точность типа действия — 665/690 (96,38%); tolerance action match — 494/690 (71,59%); невалидных декодированных действий — 0/690.
Для проверки использовали RTX 4090 на 24 ГБ; нужен CUDA GPU с достаточной памятью.
Это next-action метрика, а не успех завершения задач; AndroidWorld и выигрыш по скорости не заявлены.
Релиз называется независимым исследованием, а не официальной моделью MAI.