К содержимому
Компьютерное зрение

DMA-2B

быстрая модель для управления Android без генерации текста

2 мин чтенияобновлено

DMA-2B (Decision Model for Android) решает задачу выбора следующего действия для GUI-агентов в среде Android. В отличие от обычных VLM (визуально-языковых моделей), которые посимвольно пишут команду в виде текста, она работает за один прямой проход (forward pass) с нулём сгенерированных токенов: модель принимает скриншот и список элементов интерфейса, после чего оценивает вероятности готовых вариантов ответа. Это полный файнтюн (дообучение всех весов) модели LiquidAI/d1-2B на 1.92 млрд параметров от разработчика tuanhqv123. Такой подход избавляет от ошибок парсинга и ускоряет работу агента, поэтому модель пригодится исследователям и разработчикам автономных мобильных ассистентов.

Ключевые особенности

  • Высокая скорость: медианное время принятия решения составляет 135 мс (181 мс на 95-м перцентиле) при запуске на одной GPU с 24 ГБ видеопамяти по HTTP.
  • Без парсинга вывода: модель выбирает ответ строго из переданного списка вариантов, поэтому на выходе всегда получается валидный JSONAction для среды AndroidWorld.
  • Оценка уверенности: каждое решение сопровождается вероятностью; на тесте AndroidControl-High отсев половины наименее уверенных шагов снижает долю ошибок с 38.3% до 19.0% (AUROC 0.758).
  • Гибридный ввод: помимо скриншота шириной 720 px, модель анализирует дерево элементов доступности (accessibility tree), историю последних 12 шагов и список доступных приложений.

Что можно сделать

  • Собрать быстрого агента для AndroidWorld: автоматизировать выполнение задач в симуляторе Android, используя встроенное декодирование координат центра выбранного элемента.
  • Внедрить гибридный контроль с человеком: использовать вероятность предсказания как сигнал ранжирования, чтобы агент сам выполнял уверенные клики и запрашивал подтверждение на спорных шагах.
  • Протестировать на готовых сценариях: запустить демонстрационный скрипт example.py на записанных шагах или изучить работу модели в интерактивном Space на Hugging Face.

Пример

import torch
from transformers import AutoModel
import ac_common as v
from example import load_image, decode

model = AutoModel.from_pretrained(".", trust_remote_code=True, dtype=torch.bfloat16).cuda().eval()
state, kept, keep_idx = v.element_inputs_v3(goal, history, elements, W, H, "all_reading_noime")
questions = v.build_questions("VA", kept, contract="v4", apps=apps)
ans = model.system_one_batch([(state, questions, [load_image("screen.png")])])[0]["answers"]
Подробнее • Бенчмарк AndroidControl: успешность шага (SR) выросла по сравнению с базовой d1-2B с 59.8% до 89.3% на AC-Low (пошаговые инструкции) и с 40.2% до 61.7% на AC-High (только общая цель).
• Обучение: 1 эпоха (2482 шага × 16 примеров) на 37 977 решениях из AndroidControl и 1 736 примерах из AndroidWorld на одной RTX 5090.
• Ограничения: требует список элементов доступности (не работает только по пикселям), вводит только текст из входных данных и склонна преждевременно завершать задачу статусом done.
• Лицензия: LFM Open License v1.0 (коммерческое использование запрещено для компаний с годовой выручкой от $10 млн).
Обсудить Telegram 0 22

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 3.6 GB · готовые файлы4.4 GB
  • FP8 / INT8рекомендуемвеса 1.8 GB2.5 GB
  • 4-bitвеса 1.0 GB1.6 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 2060 · BF16 — от RTX 2060

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.

    # tuanhqv123/DMA-2B
    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 tuanhqv123/DMA-2B --local-dir ~/models/DMA-2B
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к DMA-2B
  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

LiquidAI/d1-2B
  1. LFM3-1.7B-Baseоснова семьи
  2. LFM3-VL-2B
  3. d1-2B
  4. DMA-2B

Новые посты про версии LFM3-1.7B-Base — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 9Все на Hugging Face

О модели

tuanhqv123/DMA-2B
Автор
tuanhqv123
Категория
Компьютерное зрение
Дата выхода
На сайте

На сайте

Hugging Face

220

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Компьютерное зрение

omr-monophonic

omr-monophonic
Компьютерное зрение

gpt2.5-v0.5

gpt2.5-v0.5