OSWorld-G

让AI精准「看懂」屏幕：OSWorld-G 与 Jedi 模型解析

痛点切入：AI 点错按钮的尴尬

你是否见过这样的场景——一个 AI 助手信誓旦旦要帮你填表，结果点了屏幕右上角的关闭键，把整个页面关掉了？或者让它在浏览器里搜索，结果点击了广告链接？这种"界面理解错位"的问题，正是 GUI Grounding（图形界面定位） 的核心挑战：如何让 AI 准确理解自然语言指令，并精准地映射到屏幕上的具体 UI 元素位置。

OSWorld-G 正是为解决这一难题而生——它是 xlang-ai 团队在 NeurIPS 2025 发表的 Spotlight 论文"Scaling Computer-Use Grounding via UI Decomposition and Synthesis"的核心项目，包含基准测试、数据集训练管线以及两款轻量级模型 Jedi-3B 和 Jedi-7B。

图1：OSWorld-G 项目概览（来源：GitHub 官方仓库）

背景：GUI Grounding 为何这么难

GUI Grounding 需要模型同时具备三种能力：软件常识（理解图标含义、组件功能）、布局理解（理解侧边栏位置、面板层级）和细粒度组件操控（精确点击滑块、在字符级别选中文本）。传统方案要么依赖闭源大模型（如 Claude Computer Use），要么模型太大无法本地部署，在实际应用中存在效率与精度的双重瓶颈。

xlang-ai 团队提出的核心思路是 UI 分解与合成（UI Decomposition and Synthesis）：将复杂的 GUI 任务拆解为可独立处理的小单元，再通过大规模合成数据进行训练，从而实现高效且精准的界面理解。

Jedi 模型：轻量级多尺度 GUI 定位专家

Jedi 是基于 Qwen2.5-VL 架构训练的多尺度 VLM（视觉语言模型），提供了 3B 和 7B 两个版本。Jedi 的核心创新在于通过 Jedi Dataset（400万样本） 进行训练，该数据集由图标数据（dataset/icon）、文档/表格/演示文稿的真实数据增强（dataset/component_handcraft）以及布局数据（dataset/layout）三部分构成，覆盖了移动端、Web 端和桌面端多种场景。

Jedi-3B 版本的推荐显存仅为 6GB+，在消费级 GPU 上即可运行，极大降低了研究门槛。相比之下，Jedi-7B 需要约 14GB 显存，适合有更高精度需求的场景。项目在 demo.py 中提供了完整的使用示例，基于 vLLM 高效推理引擎加载模型，通过 agent_function_call.py 中定义的 MobileUse 工具类与设备交互。

from vllm import LLM, SamplingParams
from agent_function_call import ComputerUse

model_path = "xlangai/Jedi-3B-1080p"  # 或 Jedi-7B
llm = LLM(model=model_path)

图2：Jedi 模型的点击位置可视化（来源：GitHub 官方仓库）——绿色圆圈标注了模型预测的点击位置，验证了其精确定位 UI 元素的能力。

OSWorld-G Benchmark：564 个精细标注样本

OSWorld-G 基准测试包含 564 个精心标注的样本，涵盖文本匹配、元素识别、布局理解和精确操控四类任务类型。评估脚本（evaluation 目录）支持与多个主流模型的对比评测，包括 Gemini、Qwen2.5-VL 等，并提供了多种评估脚本以适配不同的模型框架。

值得注意的是，团队公开了两版指令集：原始版 OSWorld-G.json 和精炼版 OSWorld-G_refined.json。精炼版去除了需要额外领域知识的任务，专注于纯粹的界面定位挑战，使评估更加纯粹、更具对比性。

论文实验数据显示，接入 Jedi-3B 后，基础模型在 OSWorld 任务上的成功率从 23% 跃升至 51%，实现了超过 2 倍的性能提升，在 ScreenSpot-v2 和 ScreenSpot-Pro 等多个基准上也刷新了 SOTA。

上手体验：从安装到运行

项目推荐使用 Conda 管理环境，Python 版本需要 >= 3.9。核心依赖包括 transformers、torch、vllm、qwen-agent 等主流 ML 库。需要注意的是，当前项目没有提供 Docker 支持，也没有 Web UI 界面，部署需要一定手动配置——但安装流程清晰，官方 README 提供了分步骤指引，有 ML 环境经验的研究人员可在 30 分钟内完成环境搭建。

硬件方面，必须配备 NVIDIA GPU（CUDA 支持），显存需求视模型大小而定。模型权重托管在 HuggingFace（xlangai/Jedi-3B-1080p、xlangai/Jedi-7B-1080p），可通过 huggingface-hub 自动下载。

局限与挑战

需要坦诚指出的是，OSWorld-G 当前版本仅覆盖英文界面环境，对于中文 GUI 场景的支持有限。此外，benchmark 数据集较大（OSWorld-G.json 约 272KB），本地复现完整评估需要一定的存储和计算资源。项目缺乏 Docker 一键部署方案，对于希望快速试用而非深入研究的用户存在一定门槛。

行业意义与趋势

OSWorld-G 的发布标志着 GUI Agent 领域从「能用大模型点屏幕」向「小模型精准点对位置」的范式转变。Jedi-3B 的出现意味着高精度 GUI 定位不再是超大模型的专利，3B 级别模型已足以支撑复杂的界面交互任务。这一趋势将加速 AI 桌面助手、自动化测试工具、RPA（机器人流程自动化）等应用场景的落地。

同时，"UI 分解与合成"的训练范式为多模态模型的细粒度视觉理解提供了新的训练思路，预计将影响后续 GUI Agent 基准和模型的设计方向。

本报告基于 NeurIPS 2025 Spotlight 论文及 GitHub 官方仓库信息生成。模型权重请从 HuggingFace 下载：Jedi-3B (xlangai/Jedi-3B-1080p)，Jedi-7B (xlangai/Jedi-7B-1080p)。