MAI-UI-8B

MAI-UI-8B

读取截图和指令，决定在手机或电脑屏幕上点哪里、输入什么。它是 MAI-UI 图形界面智能体家族里的 8B 模型，面向构建设备智能体的开发者。

由 Tongyi-MAI 在 Hugging Face 上制作。这些说明是 Mindket 根据它的模型页面和模型卡写的，模型自己的文件和许可证在 Hugging Face 上。

简介

它是什么：MAI-UI-8B 是一个视觉语言模型，查看屏幕图像和一条指令，然后算出怎样操作界面。它属于 MAI-UI 图形界面智能体家族，有 2B、8B、32B 和 235B-A22B 几种规模。本页介绍的是 8B 模型。

适合谁：构建控制手机或电脑的智能体的开发者，以及研究图形界面定位和导航的研究人员最常用它。想把这类模型放在自己服务器上的团队也适合。

Industry | Who uses it | How they use it | Example
软件 | 智能体开发者 | 根据截图和指令操作应用界面 | 在设置页面上找到正确的按钮
移动端 | 移动应用团队 | 用能读屏幕的模型测试导航流程 | 在手机上走一遍某个应用
研究 | AI 研究人员 | 比较不同模型规模下的界面定位和导航结果 | 用屏幕基准测试运行该模型
自托管 | 平台团队 | 把模型放在自己的 API 后面提供服务 | 启动 vLLM 服务器并连接一个智能体

只需要文字聊天机器人的人可以跳过它，因为它的任务是操作屏幕上的界面。

用在哪里：

• 你自己机器上的 vLLM 服务器，它提供 OpenAI 风格的 API
• 向该服务器发送截图和指令的 Python 智能体代码
• transformers 库，这个模型标注的就是它
• 在 Windows、macOS 或 Linux 上下载文件

Use case | Who | What they get back
界面定位 | 智能体开发者 | 关于该在屏幕哪里操作的决定
移动端导航 | 移动应用团队 | 在手机应用里要走的下一步
端侧与云端路由 | 研究团队 | 一种研究何时本地运行、何时调用云端模型的方式

如何设置：

• Python
• vllm 0.11.0 或更新版本，以及 transformers 4.57.0 或更新版本
• 为约 17.5 GB 的 BF16 权重留出空间

1. 用 pip 安装 Hugging Face hub 工具，如果想先要一份本地副本，就下载文件。
2. 安装 vLLM。
3. 用模型名启动 API 服务器。

pip install -U huggingface_hub
hf download Tongyi-MAI/MAI-UI-8B

# Install vLLM
pip install vllm

# Start vLLM API server
python -m vllm.entrypoints.openai.api_server \
    --model Tongyi-MAI/MAI-UI-8B \
    --served-model-name MAI-UI-8B \
    --host 0.0.0.0 \
    --port 8000 \
    --tensor-parallel-size 1 \
    --trust-remote-code

如何使用：服务器运行后，你的智能体代码在 8000 端口的 /v1 路径下调用它，使用服务名 MAI-UI-8B。每个请求带一张截图和一条指令。卡片没有展示请求体，所以具体调用方式请参考 vLLM 文档。

Tool | What it does
--model | 选择 vLLM 要加载的模型
--served-model-name | 设置客户端请求时使用的名称
--port | 设置服务器监听的端口，这里是 8000
--tensor-parallel-size | 设置多少块 GPU 共同承载模型，这里是 1
--trust-remote-code | 允许运行存放在模型仓库里的代码

示例：一个智能体发送一张手机设置页面的截图，并要求打开某个选项。模型用文字回答，告诉智能体在这个屏幕上下一步该做什么。

新手与专家：图形界面智能体是一种看着屏幕、决定在哪里点击或输入的软件。第一次尝试，可以按上面的步骤启动服务器，然后给它发一张截图和一条简短的指令。

作者介绍了一条自我演进的数据管线，把用户交互和 MCP 工具调用加进导航数据。他们还介绍了按任务状态和数据敏感度来分配工作的端云协作方案，以及一个在线强化学习阶段。把并行环境从 32 个扩到 512 个提高了 5.2 分，把步数预算从 15 提高到 50 提高了 4.3 分。

输入一张截图和一条指令
模型选出下一个界面动作
你的智能体执行这个动作
新的截图再送回模型

注意事项：

• Scores: 作者给出的这些数字针对 MAI-UI 家族，卡片没有说明每个数字来自哪个规模。

Title: 作者报告的基准结果
MMBench GUI L2: 91.3 百分比
AndroidWorld: 76.7 百分比
ScreenSpot-Pro: 73.5 百分比
OSWorld-G: 70.9 百分比
UI-Vision: 49.2 百分比
MobileWorld: 41.7 百分比

• Device and cloud: 作者说他们的路由方案把端侧性能提高了 33%，并把云端 API 调用减少了 40% 以上。
• Network: 示例命令把主机设为 0.0.0.0，这会接受网络上其他机器的连接。
• License: Apache 2.0。
• Cost to run: 未提及。示例在你自己的 vLLM 服务器上运行，没有提到付费服务。
• Data it reaches: 你发给自己服务器的截图和指令。研究方案可以把一部分工作交给云端模型。
• Not for: 来源没有写明禁止的用途。它是为图形界面任务设计的，不是通用聊天。

Hugging Face 上的数据（2026年11月13日）

• 任务：image text to text
• 框架：transformers
• 参数量：8.8B
• Weights: about 17.5 GB in BF16; about 4.4 GB at 4-bit (estimate)
• Formats: Safetensors
• 最近 30 天下载：10,445
• 点赞：206
• 许可证：apache-2.0
• Quantized versions: 7
• Fine-tunes: 1
• 标签：transformers, safetensors, qwen3_vl, image-text-to-text, conversational

链接

• 模型：https://huggingface.co/Tongyi-MAI/MAI-UI-8B
• 文件：https://huggingface.co/Tongyi-MAI/MAI-UI-8B/tree/main

获取模型

用 Hugging Face 的命令行下载它的文件：

pip install -U huggingface_hub
hf download Tongyi-MAI/MAI-UI-8B

然后按它的模型卡使用它。这个工具包里没有会自己运行的东西。