К содержимому
Компьютерное зрение

KORMo-Web-9B

веб-агент на 9B параметров, управляющий браузером по скриншотам

2 мин чтенияобновлено

KORMo-Web-9B — визуально-языковая модель (VLM) от команды KORMo-VL, созданная на базе Qwen3.5-9B (9,41 млрд параметров). Она работает как автономный браузерный агент: получает задачу на английском или корейском языке и выполняет её в реальном вебе, опираясь исключительно на скриншоты экрана без доступа к DOM-дереву страницы. Перед каждым кликом или вводом текста модель формирует короткую цепочку рассуждений, проверяет результат на следующем кадре и сама переключается между вкладками и сайтами. Подойдёт разработчикам веб-агентов и автоматизации в браузере, которым нужна компактная открытая модель под лицензией Apache-2.0.

Ключевые особенности

  • Работа только по скриншотам: не требует разметки страницы или дерева доступности — ориентируется визуально, как человек.
  • Сначала думает, потом действует: перед каждым шагом генерирует блок рассуждений (), что упрощает отладку поведения.
  • Сильные результаты в Online-Mind2Web: набирает 51,0% на английском и 48,1% на корейском, обходя базовую Qwen3.5-9B на +26,3 и +31,4 пункта соответственно.
  • Готовая обвязка в репозитории: включены системный промпт, схема из 22 браузерных инструментов, настройки генерации и эталонный агент на Playwright.

Что можно сделать

  • Запустить автономный поиск и сбор данных: поручить агенту найти товары по заданным критериям на одном сайте, перепроверить данные на другом и собрать итоговый ответ.
  • Встроить в собственный браузерный пайплайн: подключить модель через vLLM и OpenAI-совместимый API, используя готовую схему из 22 действий (клики, скролл, горячие клавиши, управление вкладками).
  • Автоматизировать многошаговые сценарии в Chromium: использовать готовый скрипт agent_playwright.py для выполнения длинных инструкций на английском или корейском языках.

Пример

vllm serve ./KORMo-Web-9B --served-model-name KORMo-Web-9B \
  --max-model-len 131072 --limit-mm-per-prompt '{"image":1,"video":0}'

python KORMo-Web-9B/examples/agent_playwright.py --model KORMo-Web-9B \
  --task "Find 3 tablets under 500k KRW with 10+ inch screen and list prices"
ПодробнееБенчмарк Online-Mind2Web (612 реальных веб-задач: 300 EN, 312 KO): 51,0% EN и 48,1% KO против 24,7% и 16,7% у базовой Qwen3.5-9B и 32,7% / 15,4% у OpenWebRL-4B.
Железо и стек: запускается на одном GPU (TP=1), протестировано с vLLM 0.23.0 и transformers 5.12.1.
Контекст и лимиты: окно контекста до 131 072 токенов, в истории сохраняется весь текст шагов, но передаётся только последний скриншот; до 50 шагов на задачу.
Ограничения: эталонный скрипт agent_playwright.py не поддерживает действие upload; координаты кликов нормализованы в шкале 0–1000.
Обсудить Telegram 43 104

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 18 GB · готовые файлы20 GB
  • FP8 / INT8рекомендуемвеса 8.8 GB10 GB
  • 4-bitвеса 4.9 GB5.9 GB

Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: FP8 / INT8 — от RTX 2080 Ti · BF16 — от RTX 4090

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # KORMo-VL/KORMo-Web-9B
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download KORMo-VL/KORMo-Web-9B --local-dir ~/models/KORMo-Web-9B
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к KORMo-Web-9B
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

Семья модели

Дообучение модели

Qwen/Qwen3.5-9B
  1. Qwen3.5-9B-Baseоснова семьи
  2. Qwen3.5-9B
  3. KORMo-Web-9B

Новые посты про версии Qwen3.5-9B-Base — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 6Все на Hugging Face
Слияния 1Все на Hugging Face

О модели

KORMo-VL/KORMo-Web-9B
Автор
KORMo-VL
Категория
Компьютерное зрение
Дата выхода
На сайте

На сайте

Hugging Face

10443

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии