Xenonは18日、コンピューター画面を認識し、PC操作を実行できるAIモデル「Hunmin VLM 397B」をオープンソースで公開したと発表した。
Hunmin VLM 397Bは、3970億パラメータ規模のオープンモデル「Qwen3.5-397B」をベースに、画面認識とコンピューター操作の能力を強化したモデルだ。
画面内で操作対象の位置を特定するベンチマーク「ScreenSpot-Pro」では75.6点を記録し、Hugging Faceの公式リーダーボードで2位に入った。Linux環境で実際のコンピューター作業の遂行能力を測る「OSWorld」では70.5点となり、ベースモデルを22.3点上回った。
Xenonによると、3970億パラメータのモデルの追加学習には、NVIDIAのB200 GPUを8基使用した。FP8量子化で教師あり学習（SFT）と強化学習（RL）を実施し、限られた計算資源でコンピューター操作の能力を付与したとしている。
8種類の韓国語ベンチマークでは、ベースモデルとの差を2点以内に抑えた。
同社はフルモデルに加え、容量をおよそ半分に抑えたFP8版もApache License 2.0で公開する。開発と評価の方法論も併せて提供する。
ミョン・デウXenon副社長兼CTOは「AIモデルの競争軸は、単にパラメータ規模を拡大することから、大規模モデルに必要な能力をいかに効率よく付加し、実用可能な水準まで高度化できるかへ移っている」とコメントした。
著者について
Seul-gi Son
sageson@d-today.co.kr