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 (2026)

10 月 20 日 21:16（北京），UI-Venus 仓库的 LBS 分支推了第一个提交，提交信息只有一行「Initial LBS release」。1 七位作者来自武汉理工大学、中科院自动化所、浙江大学和蚂蚁集团。2

六天后的 10 月 26 日 13:36，Hugging Face 上出现 inclusionAI/LBS-27B 仓；19:15，模型卡与评测图补齐。3 12 个权重分片就放在这个仓里，合计 54.7 GB。4

到发稿时，官网和博客上都没有找到单独的发布公告。能核对的材料是仓库、模型卡和评测记录三处，写法更像论文的附带开放：先放代码与权重，论文等 arXiv。2

LBS 是「Learning to look beyond screens」的缩写，直译是「学会看向屏幕之外」。5 它是 UI-Venus 仓库上的一个分支，那个仓库主仓是 GUI agent 项目，1.1k 星。2

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。4 5
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。2 5
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。5 6
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。2 7

快速核对

项目	内容	来源
时间窗口	代码 10 月 20 日先出，权重与模型卡 10 月 26 日补齐；第三方评测还是空白期	GitHub 提交 · HF 提交
发布方	作者单位含蚂蚁集团；权重挂在 inclusionAI 组织下，该组织此前发的是 Ling 与 Ming 系列	README
现在能做什么	权重可下；有一个社区搭的 gradio demo 能传截图试定位；没有官方 API	demo
基座模型	Qwen3.8-27B，2026 年 8 月 5 日发布	模型卡 · 基座
参数规模	27,356,728,560（27.36B）	HF 元数据
权重体积	12 个 safetensors 分片，合计 54.7 GB	HF 元数据
架构	Qwen3_5ForConditionalGeneration；64 层，16 层全注意力 + 48 层线性注意力；隐层 5120；24 个查询头对 4 组 KV，head_dim 256	config.json
视觉塔	27 层，隐层 1152，patch 16，2×2 合并，输出接回 5120 维	config.json
上下文	262,144 tokens	config.json
输入输出	图像加文本进、文本出；坐标归一化到 0–1000	模型卡
观察协议	每回合最多 2 张裁图，一段最多 3 次；裁图 4 倍放大、上限 400 万像素	README
推理设置	默认 `reasoning_effort=xhigh`、`thinking_budget=4096`	模型卡
许可	Apache-2.0，模型卡写明权重与项目代码同一许可	模型卡
部署	官方 vLLM 示例为 4 卡张量并行（`--tp 4`），训练走 ms-swift 加 vLLM	模型卡 · README
评测口径	5 项，全部作者自测；PerceptionBench 用自建 Deepseekv4-flash-0731 判分	模型卡
第三方	Artificial Analysis 三个候选落点全 404；OpenRouter 只有 Ling 系列；Vals 榜单无条目	AA · OpenRouter · Vals
技术报告	未发布，README 写明等 arXiv	README

一次定位要裁三次图

GUI 定位要做的事，是给一张界面截图和一句指令，说出该点哪个位置。难的地方在分辨率：一张 4K 截图送进模型时要先缩到它能吃的尺寸，要点的图标可能只剩几个像素宽。2

LBS 把这一步拆成几轮。模型先读整张截图，写出一行普通助手文本，形如 crop_image(image_path="screenshot.png", x1=560, y1=150, x2=844, y2=240)。2

执行端按这行坐标裁出区域，放大 4 倍（上限 400 万像素），把裁图、尺寸，以及这张裁图对应原图的哪一块，一起送回模型。2

下一轮模型可以引用这张裁图继续裁，也可以回到原图重新框，还可以在同一回合里要两张不同区域的图。一段最多 3 次裁切，一回合最多 2 张。2

最终答案给的是原图上的归一化坐标 [x.xx,y.yy]，范围 0 到 1000，由调用方换算成像素。5

这套协议的好处是接口简单，动作就是文本，任何支持多轮并会回传图片的推理服务都能接。代价落在延迟上：一次定位通常要走 2 到 3 轮，每轮都重新送图。

官方 ScreenSpot-Pro 轨迹：两次嵌套裁切后定位工具栏图标 — 官方给出的 ScreenSpot-Pro 轨迹，任务是在 Quartus 工具栏里找到 Programmer 图标。砖红框是第一次裁切，灰绿框是第二次——它裁的是第一次返回的放大图，也就是在裁图上再裁一次。底部的 317.70/40.83 是原图归一化坐标。这张图由记录的裁切几何重建，官方没有为此重跑模型。出自仓库轨迹文档。

一万条冷启动样本，80 步 RL

训练数据全部是合成的 GUI 定位数据。5

流程分两段：约 10,000 条冷启动 SFT 样本，然后 80 步 GRPO，batch 64，每 prompt 8 条 rollout。2

奖励有五项：最终落点是否落在目标框内；裁切过程分，由结果门控的最佳裁切 IoU 减去重复裁切与无进展的惩罚，每次裁图再扣 0.05；格式是否合规；困难样本上的放大加成；可选的 CoT 裁判分。2

80 步这个量级，RL 更像收尾：基座 Qwen3.8-27B 已经会看图，这里学的是「什么时候裁、裁哪里」。8

作者在 README 里写，这些设计各自起多大作用要靠受控消融来定，这一轮没有做。2

五个分数，三种判分方式

基准	记录数	指标	分数	判分方式
ScreenSpot-Pro	1,581	操作准确率	81.15	本地几何判定，点是否落在框内
OS-World-G (Refine)	564（510 正例 + 54 拒答）	含拒答的操作准确率	84.57	本地判定，另算拒答行为
PerceptionBench	3,000	裁判准确率	59.67	LLM 裁判，自建 Deepseekv4-flash-0731
HR-Bench 4K	800	严格选项匹配	89.13	严格匹配，不用 LLM 裁判
HR-Bench 8K	800	严格选项匹配	87.75	严格匹配，不用 LLM 裁判

判分方式的分量不一样。ScreenSpot-Pro 与 OS-World-G 是几何判定，模型给一个点，判分器看这个点是否落在标注框里。2

PerceptionBench 用 LLM 判分，LBS 这一侧是自建 Deepseekv4-flash-0731，上游榜单用 GPT-oss-120B。官方注明重复判分可能有出入，这一次没有失败或跳过的判分。9

HR-Bench 用严格选项匹配，不是 LLM 裁判分。每档 800 条，分成 200 个题组，每题四个选项轮换顺序。2

OS-World-G 的 564 条里有 54 条是拒答记录，84.57 把「该说找不到时说了找不到」也算了进去。2

把 ScreenSpot-Pro 拆开看，强弱项就清楚了。1,581 条里文本目标 977 条、图标 604 条，文本准确率 90.17%，图标 66.56%，总体是按记录数加权算出来的。2

六个域里 Office Suite 最高，93.04；Creative 最低，74.78。2

26 个应用里，EViews 98.00、Word 96.43 最稳；FL Studio 59.65、Origin 62.90 最弱；AutoCAD 的 7 条图标记录全错。2

PerceptionBench 的十个类别里，视觉关系 68.48 最高，计数 61.82、属性 65.76 居中，与感知相关的幻觉 43.91 最低，深度与 3D 感知 50.30。2

两张对比图上，它都没排第一

官方那张双栏图值得逐条看左栏：MAI-UI-32B 67.87、UI-Venus2-27B 74.1、Holo2-235B-A22B 78.49、Qwen3.7 Plus 80.7、Seed2.1 Pro 80.7、Qwen-UI-Agent-27B 81.5，最后是 LBS 的 81.15。6

带星号的四根柱子是 agentic 或 zoom-in 推理，跟 LBS 一样多轮裁图跑出来。9

其中三个数值——Qwen3.7 Plus 的 80.7、Seed2.1 Pro 的 80.7、Qwen-UI-Agent-27B 的 81.5——来源栏写的是仓库作者提供，官方 references.json 里标记为 author_reported，提供日期 2026 年 10 月 15 日。6

于是这张图上最右边那根柱子是 81.15，比作者自己提供的 81.5 低 0.35 分。图从左到右递增的排法容易让人以为最后一根最高，数值上不是。6

右栏 PerceptionBench 最高的是 GPT-5.6 Sol，59.7；LBS 的 59.67 低 0.03。官方在图注里写了一句话：59.67% 不构成对 59.7% 的提升。9

这句注解是这一期最该记住的。两边判分模型不同，0.03 分的差距落在判分差异里，谁高谁低算不出来。6

有一处可以自己核：ScreenSpot-Pro 官方榜单的数据文件里，Holo2 与 MAI-UI 都能查到，LBS 与那三个作者提供的数值一条都没有。10

官方双栏对比图：ScreenSpot-Pro 与 PerceptionBench — 官方对比图。左栏 ScreenSpot-Pro，横轴是 1,581 条任务的操作准确率；右栏 PerceptionBench，横轴是 3,000 道题的裁判准确率。带星号的是 agentic / zoom-in 推理，其中 Qwen3.7 Plus、Seed2.1 Pro、Qwen-UI Agent 27B 三个数值由仓库作者提供。右栏参照分数用 GPT-oss-120B 判分，LBS 的 59.67 用自建 Deepseekv4-flash-0731 判分。出自模型卡。

出了屏幕之后

迁移是这次真正的主张：训练集只有 GUI 截图，却能拿去回答风景照和流程图的问题。5

HR-Bench 从 4K 的 89.13 掉到 8K 的 87.75。两档各 800 条，用严格选项匹配。2

官方没有给 HR-Bench 的对照数值，这两个分数只能看绝对值，判断不了它比谁好。6

有一条轨迹能看清它在做什么。题目是一张 8K 的教堂照片，问日晷上刻的年份。第一次裁切落在天空和墙的交界，什么都没读到；模型重新框定，第二次裁到日晷盘面，读出 1762，严格匹配判对。11

裁错之后回到原图重新框，是这套策略的一部分。评测协议给了余量：HR-Bench 默认 4 轮格式纠正，其他基准默认 2 轮。2

PerceptionBench 那 59.67 是另一个方向的迁移。题目里有图表、流程图和照片细节，跟屏幕上该点哪里没有关系。2

跑起来要几张卡

权重 54.7 GB，对应 BF16 下的 27.36B 参数。4

官方 vLLM 示例写的是 --tp 4 --dp 1，4 卡张量并行。5

这套架构比同尺寸的稠密模型省 KV 缓存：64 层里只有 16 层是全注意力，其余 48 层是线性注意力，每层只保留固定大小的状态，不随上下文变长。12

按 config 推算，每个 token 的 KV 缓存约 64 KB（16 层 × 4 组 KV × 256 维 × K 与 V 各一份 × 2 字节）。32K 上下文约 2 GB，跑满 262,144 上下文约 16 GB。12

两项加起来，一张 80GB 的卡装得下 54.7 GB 权重，长上下文再留十几 GB。官方没有给单卡实测，示例仍然是 4 卡。5

真正吃资源的是多轮。一次定位 2 到 3 轮，每轮都要把之前的裁图重新送进去，批量跑评测时成本按轮数算。2

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。2 5
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。7 15 16
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。2 5

References

1
GitHub 提交记录
github.com
2
LBS 分支 README
github.com
3
HF 提交记录
huggingface.co
4
HF 仓库元数据
huggingface.co
5
LBS-27B 模型卡
huggingface.co
6
官方对照数值
github.com
7
Artificial Analysis 落点
artificialanalysis.ai
8
Qwen3.8-27B
huggingface.co
9
图表说明与对比来源
github.com
10
ScreenSpot-Pro 榜单数据
raw.githubusercontent.com
11
轨迹文档
github.com
12
config.json
huggingface.co
13
HF 全站搜索
huggingface.co
14
社区 demo
huggingface.co
15
OpenRouter 目录
openrouter.ai
16
Vals Index
vals.ai

六天后的 10 月 26 日 13:36，Hugging Face 上出现 inclusionAI/LBS-27B 仓；19:15，模型卡与评测图补齐。3 12 个权重分片就放在这个仓里，合计 54.7 GB。4

LBS 是「Learning to look beyond screens」的缩写，直译是「学会看向屏幕之外」。5 它是 UI-Venus 仓库上的一个分支，那个仓库主仓是 GUI agent 项目，1.1k 星。2

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。4 5
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。2 5
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。5 6
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。2 7

快速核对

项目	内容	来源
时间窗口	代码 10 月 20 日先出，权重与模型卡 10 月 26 日补齐；第三方评测还是空白期	GitHub 提交 · HF 提交
发布方	作者单位含蚂蚁集团；权重挂在 inclusionAI 组织下，该组织此前发的是 Ling 与 Ming 系列	README
现在能做什么	权重可下；有一个社区搭的 gradio demo 能传截图试定位；没有官方 API	demo
基座模型	Qwen3.8-27B，2026 年 8 月 5 日发布	模型卡 · 基座
参数规模	27,356,728,560（27.36B）	HF 元数据
权重体积	12 个 safetensors 分片，合计 54.7 GB	HF 元数据
架构	Qwen3_5ForConditionalGeneration；64 层，16 层全注意力 + 48 层线性注意力；隐层 5120；24 个查询头对 4 组 KV，head_dim 256	config.json
视觉塔	27 层，隐层 1152，patch 16，2×2 合并，输出接回 5120 维	config.json
上下文	262,144 tokens	config.json
输入输出	图像加文本进、文本出；坐标归一化到 0–1000	模型卡
观察协议	每回合最多 2 张裁图，一段最多 3 次；裁图 4 倍放大、上限 400 万像素	README
推理设置	默认 `reasoning_effort=xhigh`、`thinking_budget=4096`	模型卡
许可	Apache-2.0，模型卡写明权重与项目代码同一许可	模型卡
部署	官方 vLLM 示例为 4 卡张量并行（`--tp 4`），训练走 ms-swift 加 vLLM	模型卡 · README
评测口径	5 项，全部作者自测；PerceptionBench 用自建 Deepseekv4-flash-0731 判分	模型卡
第三方	Artificial Analysis 三个候选落点全 404；OpenRouter 只有 Ling 系列；Vals 榜单无条目	AA · OpenRouter · Vals
技术报告	未发布，README 写明等 arXiv	README

一次定位要裁三次图

LBS 把这一步拆成几轮。模型先读整张截图，写出一行普通助手文本，形如 crop_image(image_path="screenshot.png", x1=560, y1=150, x2=844, y2=240)。2

执行端按这行坐标裁出区域，放大 4 倍（上限 400 万像素），把裁图、尺寸，以及这张裁图对应原图的哪一块，一起送回模型。2

下一轮模型可以引用这张裁图继续裁，也可以回到原图重新框，还可以在同一回合里要两张不同区域的图。一段最多 3 次裁切，一回合最多 2 张。2

最终答案给的是原图上的归一化坐标 [x.xx,y.yy]，范围 0 到 1000，由调用方换算成像素。5

一万条冷启动样本，80 步 RL

训练数据全部是合成的 GUI 定位数据。5

流程分两段：约 10,000 条冷启动 SFT 样本，然后 80 步 GRPO，batch 64，每 prompt 8 条 rollout。2

80 步这个量级，RL 更像收尾：基座 Qwen3.8-27B 已经会看图，这里学的是「什么时候裁、裁哪里」。8

作者在 README 里写，这些设计各自起多大作用要靠受控消融来定，这一轮没有做。2

五个分数，三种判分方式

基准	记录数	指标	分数	判分方式
ScreenSpot-Pro	1,581	操作准确率	81.15	本地几何判定，点是否落在框内
OS-World-G (Refine)	564（510 正例 + 54 拒答）	含拒答的操作准确率	84.57	本地判定，另算拒答行为
PerceptionBench	3,000	裁判准确率	59.67	LLM 裁判，自建 Deepseekv4-flash-0731
HR-Bench 4K	800	严格选项匹配	89.13	严格匹配，不用 LLM 裁判
HR-Bench 8K	800	严格选项匹配	87.75	严格匹配，不用 LLM 裁判

判分方式的分量不一样。ScreenSpot-Pro 与 OS-World-G 是几何判定，模型给一个点，判分器看这个点是否落在标注框里。2

PerceptionBench 用 LLM 判分，LBS 这一侧是自建 Deepseekv4-flash-0731，上游榜单用 GPT-oss-120B。官方注明重复判分可能有出入，这一次没有失败或跳过的判分。9

HR-Bench 用严格选项匹配，不是 LLM 裁判分。每档 800 条，分成 200 个题组，每题四个选项轮换顺序。2

OS-World-G 的 564 条里有 54 条是拒答记录，84.57 把「该说找不到时说了找不到」也算了进去。2

把 ScreenSpot-Pro 拆开看，强弱项就清楚了。1,581 条里文本目标 977 条、图标 604 条，文本准确率 90.17%，图标 66.56%，总体是按记录数加权算出来的。2

六个域里 Office Suite 最高，93.04；Creative 最低，74.78。2

26 个应用里，EViews 98.00、Word 96.43 最稳；FL Studio 59.65、Origin 62.90 最弱；AutoCAD 的 7 条图标记录全错。2

PerceptionBench 的十个类别里，视觉关系 68.48 最高，计数 61.82、属性 65.76 居中，与感知相关的幻觉 43.91 最低，深度与 3D 感知 50.30。2

两张对比图上，它都没排第一

带星号的四根柱子是 agentic 或 zoom-in 推理，跟 LBS 一样多轮裁图跑出来。9

于是这张图上最右边那根柱子是 81.15，比作者自己提供的 81.5 低 0.35 分。图从左到右递增的排法容易让人以为最后一根最高，数值上不是。6

右栏 PerceptionBench 最高的是 GPT-5.6 Sol，59.7；LBS 的 59.67 低 0.03。官方在图注里写了一句话：59.67% 不构成对 59.7% 的提升。9

这句注解是这一期最该记住的。两边判分模型不同，0.03 分的差距落在判分差异里，谁高谁低算不出来。6

有一处可以自己核：ScreenSpot-Pro 官方榜单的数据文件里，Holo2 与 MAI-UI 都能查到，LBS 与那三个作者提供的数值一条都没有。10

出了屏幕之后

迁移是这次真正的主张：训练集只有 GUI 截图，却能拿去回答风景照和流程图的问题。5

HR-Bench 从 4K 的 89.13 掉到 8K 的 87.75。两档各 800 条，用严格选项匹配。2

官方没有给 HR-Bench 的对照数值，这两个分数只能看绝对值，判断不了它比谁好。6

裁错之后回到原图重新框，是这套策略的一部分。评测协议给了余量：HR-Bench 默认 4 轮格式纠正，其他基准默认 2 轮。2

PerceptionBench 那 59.67 是另一个方向的迁移。题目里有图表、流程图和照片细节，跟屏幕上该点哪里没有关系。2

跑起来要几张卡

权重 54.7 GB，对应 BF16 下的 27.36B 参数。4

官方 vLLM 示例写的是 --tp 4 --dp 1，4 卡张量并行。5

这套架构比同尺寸的稠密模型省 KV 缓存：64 层里只有 16 层是全注意力，其余 48 层是线性注意力，每层只保留固定大小的状态，不随上下文变长。12

按 config 推算，每个 token 的 KV 缓存约 64 KB（16 层 × 4 组 KV × 256 维 × K 与 V 各一份 × 2 字节）。32K 上下文约 2 GB，跑满 262,144 上下文约 16 GB。12

两项加起来，一张 80GB 的卡装得下 54.7 GB 权重，长上下文再留十几 GB。官方没有给单卡实测，示例仍然是 4 卡。5

真正吃资源的是多轮。一次定位 2 到 3 轮，每轮都要把之前的裁图重新送进去，批量跑评测时成本按轮数算。2

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。2 5
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。7 15 16
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。2 5

References

1
GitHub 提交记录
github.com
2
LBS 分支 README
github.com
3
HF 提交记录
huggingface.co
4
HF 仓库元数据
huggingface.co
5
LBS-27B 模型卡
huggingface.co
6
官方对照数值
github.com
7
Artificial Analysis 落点
artificialanalysis.ai
8
Qwen3.8-27B
huggingface.co
9
图表说明与对比来源
github.com
10
ScreenSpot-Pro 榜单数据
raw.githubusercontent.com
11
轨迹文档
github.com
12
config.json
huggingface.co
13
HF 全站搜索
huggingface.co
14
社区 demo
huggingface.co
15
OpenRouter 目录
openrouter.ai
16
Vals Index
vals.ai

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

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

还没有的数字

References

Related content

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

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

还没有的数字

References

Related content