Holo2-235B-A22B: โมเดลใหม่จาก H Company นำวงการ UI Localization ก้าวสู่ SOTA

Holo2-235B-A22B: โมเดลใหม่จาก H Company นำวงการ UI Localization ก้าวสู่ SOTAH Company กลับมาอีกครั้งพร้อมการเปิดตัวโมเดล Holo2-235B-A22B Preview ซึ่งเป็นโมเดลที่ใหญ่ที่สุดเท่าที่เคยมีมาสำหรับการแปลส่วนต่อประสานผู้ใช้ (UI Localization) โดยเฉพาะ โมเดลนี้ได้สร้างสถิติใหม่ที่น่าทึ่งด้วยคะแนน 78.5% บนชุดข้อมูล Screenspot-Pro และ 79.0% บน OSWorld G ซึ่งถือเป็น State-of-the-Art (SOTA) ใหม่ในวงการความท้าทายของ UI Localization ในยุค High-Resolutionการแปลส่วนต่อประสานผู้ใช้บนหน้าจอความละเอียดสูงอย่าง 4K ถือเป็นความท้าทายสำคัญสำหรับโมเดลแปลภาษาทั่วไป เนื่องจากองค์ประกอบ UI ขนาดเล็กอาจระบุตำแหน่งได้ยากบนหน้าจอขนาดใหญ่ แต่ด้วยเทคนิค Agentic Localization ที่ Holo2 นำมาใช้ โมเดลสามารถปรับปรุงการคาดการณ์ได้อย่างต่อเนื่องในแต่ละขั้นตอน ทำให้ความแม่นยำเพิ่มขึ้นอย่างมีนัยสำคัญ ซึ่งช่วยเพิ่มประสิทธิภาพโดยรวมของโมเดล Holo2 ทุกขนาดได้ถึง 10-20%ประสิทธิภาพของ Holo2-235B-A22B บน ScreenSpot-ProHolo2-235B-A22B Preview สามารถทำคะแนนความแม่นยำได้ถึง 70.6% บน ScreenSpot-Pro ในการประมวลผลเพียงขั้นตอนเดียว และเมื่อทำงานในโหมด Agent สามารถทำคะแนนสูงถึง 78.5% ภายใน 3 ขั้นตอน ซึ่งเป็นการตั้งค่ามาตรฐานใหม่ (SOTA) บนเกณฑ์การวัดที่ท้าทายที่สุดสำหรับ GUI Groundingการฝึกฝนโมเดลด้วย SkyPilotการฝึกฝนโมเดล Holo2 ในระดับสเกลใหญ่ จำเป็นต้องมีการจัดการเวิร์กโหลดที่ซับซ้อนข้ามผู้ให้บริการคลาวด์หลายราย H Company เลือกใช้ SkyPilot เป็นอินเทอร์เฟซแบบรวมศูนย์สำหรับการเปิดใช้งานงานฝึกฝนบนคลัสเตอร์ของตนเองที่ใช้ Kubernetes (k8s) การที่ SkyPilot ช่วยลดความซับซ้อนของโครงสร้างพื้นฐาน ทำให้ทีมนักวิจัยสามารถมุ่งเน้นไปที่การพัฒนาโมเดลได้เต็มที่ โดยไม่ต้องกังวลกับการจัดการไฟล์คอนฟิก k8s หรือการดูแลสคริปต์การปรับใช้ที่แยกจากกันHolo2-235B-A22B Preview ที่เปิดตัวนี้ เป็นการทดลองวิจัยที่มุ่งเน้นการแปลองค์ประกอบ UI โดยเฉพาะ และพร้อมใช้งานแล้วบน Hugging Face#Holo2 #UILocalization #AI #MachineLearning #HCompanyhttps://huggingface.co/blog/Hcompany/introducing-holo2-235b-a22b