VISTA

Ant Group (inclusionAI)🇨🇳 CNMajor lab· Jun 12, 2026

TextVisionopen weights

VISTA-9B is a vision-language model for GUI grounding that maps a screenshot and an instruction to a click coordinate in a 0-1000 frame. The model card reports 68.1 on OSWorld-G, against 63.1 for its Qwen3.5-9B base model.

Summary of the model card

License: apache-2.0
Modalities: text, image → text

2 variants

9B	9B			HF
4B	4B			HF

Sources

HuggingFace Paper

Deutsch

VISTA-9B ist ein Vision-Language-Modell für GUI-Grounding: Es ordnet einem Screenshot und einer Anweisung eine Klickkoordinate im Bereich 0 bis 1000 zu. Laut Modelcard liegt es bei OSWorld-G bei 68.1, gegenüber 63.1 für das Basismodell Qwen3.5-9B.

Provenance

Detected: Sep 27, 2026
First source: huggingface
Description: Summary of the model card
Editorially reviewed: —