توسعهدهندگان بالاخره راهی برای اجرای مدلهای قدرتمند بینایی-زبانی (VLM) روی گوشیها پیدا کردند بدون اینکه نگران داغ شدن یا مصرف باتری باشند. مدل جدید StepX-Edge با تنها ۰.۹ میلیارد پارامتر، دنیای جدیدی از تحلیل رابط کاربری (UI) را روی دستگاههای موبایل باز کرده است.
ویژگیهای کلیدی:
✅ دقت فوقالعاده در تشخیص عناصر صفحه و OCR
✅ طراحی معماری سبک و بهینه برای پردازندههای موبایل (NPU)
✅ کارایی بالاتر از مدلهای دو برابر بزرگتر در بنچمارکهایی مثل ScreenQA
این یعنی در آیندهای نزدیک، دستیارهای هوشمند گوشی شما، نه فقط متن، بلکه تمام جزئیات صفحه نمایش را مثل یک انسان درک میکنند! 🚀
منبع: arXiv Computer Vision