蚂蚁百灵开源 LBS-27B：只用 GUI 合成数据，练出会「先放大再看」的通用视觉
inclusionAI（蚂蚁集团）在 Hugging Face 放出 LBS-27B，Apache-2.0 许可，基座是 Qwen3.8-27B（config.json 里 architectures 为 Qwen3_5ForConditionalGeneration、hidden_size 5120，仓库 12 个权重分片、约 55GB BF16）。LBS 是 Learning to Look Beyond Screens 的缩写，模型本体是一套「观察策略」：它输出纯文本的 crop_image 动作，客户端负责裁剪并把图像与坐标映射回传，多轮推理；每轮最多请求两次独立裁剪，一次任务总共三次裁剪预算。最终 GUI 坐标以 [x.xx,y.yy] 归一化到原图 0-1000。
训练数据只有 GUI 定位（grounding）的合成样本：约 1 万条冷启动 SFT，接着 80 步 GRPO（batch size 64、每个 prompt 8 次 rollout），没有通用域数据，也没有 VQA 问答。关键结果不是屏幕上的分数，而是迁移：这套只从屏幕定位学来的「先局部放大再看」被直接用到通用视觉问答与高分辨率感知上，模型卡给的是 ScreenSpot-Pro 81.15、OS-World-G（Refine）84.57、PerceptionBench 59.67、HR-Bench 4K 89.13、HR-Bench 8K 87.75。
它的意义在于把「视觉 agent 该怎么看」和「它懂不懂这个领域」拆开了：观察策略可以由合成数据单独练出来，再带着走。这也是可复跑的一条路——权重与项目软件都是 Apache-2.0，评测脚本在同一仓库的 LBS 分支里。边界要一起读：模型卡自述所有分数都是带 agentic zoom-in 的完整跑分，PerceptionBench 用自托管的 Deepseekv4-flash-0731 当裁判，图表里对照模型用的是不同推理配置（PerceptionBench 侧是 GPT-oss-120B），因此跨模型比较「未受控」；官方 UI-Venus 仓库的 News 段最新停在 2026/09，还没有 LBS 这一条。