蚂蚁 inclusionAI 开源 LBS-27B：只用合成 GUI 截图训练，靠裁图放大把视觉感知做到 59.67

先说结论

• 形态：27.36B 的视觉语言模型，基座是 Qwen3.8-27B，许可 Apache-2.0，BF16 权重 12 个分片共 54.7 GB，现在就能下。45
• 训练：只用合成的 GUI 定位数据——约 1 万条冷启动 SFT，接 80 步 GRPO，batch 64、每 prompt 8 条 rollout。训练集里没有通用域图片，也没有 VQA 题。25
• 机制：坐标分几轮给出。模型先看整屏，用一行纯文本 crop_image 要求裁图，看过放大的裁图后再定位；一段最多裁三次，一回合最多两张。2
• 最强项：ScreenSpot-Pro 81.15（1,581 条），比同仓库上一代 UI-Venus2-27B 的 74.1 高 7.05 分。56
• 没赢的地方：同一张官方对比图上，作者提供的 Qwen-UI-Agent-27B 是 81.5，比它高 0.35；PerceptionBench 59.67 比 GPT-5.6 Sol 的 59.7 低 0.03，两边判分模型还不同。6
• 缺口：没有技术报告与 arXiv、没有训练数据、没有速度与延迟、没有托管 API，第三方榜单也还没收录。27

快速核对

一次定位要裁三次图

一万条冷启动样本，80 步 RL

五个分数，三种判分方式

两张对比图上，它都没排第一

出了屏幕之后

跑起来要几张卡

该不该试

• 做文本密集界面的自动化：ScreenSpot-Pro 上文本目标 90.17%，这是它最稳的一段，值得排一次自己的用例。2
• 界面以图标为主：图标定位 66.56%，AutoCAD 的 7 条图标全错，CAD 与创意软件先小样本试，别直接上线。2
• 只有单张 24GB 或 48GB 卡：54.7 GB 权重放不下，Hugging Face 上目前也只有官方一个仓，没有社区量化版本。13
• 延迟敏感的一次前向定位：默认就是 2 到 3 轮裁图，省不掉；要单轮得自己改协议。2
• 要托管接口的：官方 API 与推理提供方都没有，可以先拿社区那个 demo 试手感。14
• 做高分辨率读图的：HR-Bench 只有绝对分、没有对照，拿自己的一批图跑一遍，比对着分数猜有用。6

还没有的数字

• 技术报告：README 写「论文与引用信息将在 arXiv 发布后补充」，到发稿还没有。2
• 训练数据：合成数据怎么生成、覆盖哪些应用都没写；仓库只放了 8 条训练输入和 32 条 rollout 样本。2
• 权重的口径：README 写「仓库不包含模型权重和完整训练数据集」，权重实际在 Hugging Face 仓里。两处说的是两件事，GitHub 侧不带权重，HF 侧带。25
• 速度与成本：没有 tokens/s、没有首 token 延迟，也没有一次定位的平均耗时与轮数。
• 第三方复跑：Artificial Analysis 三个可能的落点全是 404，OpenRouter 目录里 inclusionAI 只有 Ling 三条、没有 LBS-27B，Vals 榜单也查不到。71516
• 安全与偏差评估：模型卡没有这一节，要接生产环境的得自己补。
• 移动端与中文界面：26 个应用全是桌面软件，VS Code、Photoshop、AutoCAD、Word、Excel 都在其中，手机界面和中文软件没有覆盖数据。2
• 官方发布页：官网与博客都没有单独公告，可核对的入口是仓库和模型卡。25