百炼 GUI 模型微调选型
除了 Qwen3-VL-8B-Instruct，还可以怎样选？围绕截图理解、动作输出与任务执行，选择适合自己的第一轮实验。
优先考虑 4B 入门、32B 做第二阶段对照
目标是将截图与历史操作转换为下一步 GUI 动作，并在百炼完成托管微调。Qwen3-VL-8B-Instruct 仍可作为首轮基线；其他候选中，优先关注以下两款。
Qwen3-VL-4B-Instruct
以较低训练成本验证数据格式、动作协议、坐标转换和真实执行闭环。
Qwen2.5-VL-32B-Instruct
使用同一批数据和测试任务，判断更大模型是否改善复杂界面与多步骤任务。
以上为工程选型建议，尚未进行这些模型在同一 GUI 测试集上的实测。参数量接近某个现有模型，不代表基座、训练配方或任务能力相同。
明确支持视觉 SFT 的候选
下表模型均在百炼北京地域的视觉调优支持名单中，支持 SFT 全参训练及高效训练（LoRA）。用途栏为建议；能力高低需要实测。
| 模型 | 建议用途与优先级 | 训练价 / 百万 Token |
|---|---|---|
| Qwen3-VL-4B-Instruct | 低预算入门 先把截图、标注、训练、动作执行和评测链路跑通。 | ¥6 |
| Qwen3-VL-8B-Instruct | 首轮基线。已有该模型的实验时，保留它用于同数据对比。 | ¥12 |
| Qwen2.5-VL-32B-Instruct | 第二阶段候选 验证更大模型在实际复杂 GUI 任务中的收益。 | ¥20 |
| Qwen3-VL-8B-Thinking | 用于复杂决策实验；第一轮以低延迟动作执行为目标时，优先采用 Instruct 基线。 | ¥12 |
| Qwen2.5-VL-7B-Instruct | 适合已有该系列数据和部署经验的项目；从零开始仍优先试 Qwen3-VL-8B。 | ¥10 |
| Qwen2.5-VL-72B-Instruct | 预算充足时做大模型对照，首轮优先级较低。 | ¥50 |
价格为官方每千 Token 单价换算，不是 API 推理价格。来源：百炼模型调优简介与计费。本文只列已明确归入视觉微调名单的候选，不覆盖所有可调用模型；能通过 API 看图不等于已确认可在该入口进行图片微调。
让评测决定是否升级
4B / 8B 跑通闭环
核对截图输入、动作格式、坐标映射和执行结果。保留未微调基座，观察训练是否真正带来收益。
32B 做同任务对照
固定测试任务与数据划分，比较点击命中率、完整任务成功率、单步延迟和每个成功任务的成本。
按失败原因再选型
复杂决策成为主要瓶颈时，再试 Thinking；截图模糊、坐标错位或标注错误，优先修数据与执行链路。
同一条完整任务轨迹应归入同一数据集合，避免相邻截图跨训练集和测试集造成结果虚高。更大参数量、更新版本或更低训练损失，都不能替代完整任务评测。
先估算训练费，再核对部署成本
假设每个模型单轮计费数据量均为 2,000 万 Token，训练 2 轮，不额外加入混合训练数据：
截图转换后的视觉 Token 也需要计入，不能仅按文字或样本条数估算。同一批图片在不同模型下的实际 Token 数可能不同；开启混合训练时，还要计入混合数据量。
以上仅为训练费，不含数据标注、评测、部署与推理。VL 模型按 Token 计费要求 freeze_vit=true，即冻结视觉主干；提交前以控制台预估为准。来源：模型调优操作与参数说明。
GUI-Owl：适合对照现成效果
百炼通义 UI Agent 提供基于终端截图理解和操作的接口，适合加入评测，观察通用视觉基座与现成 GUI 能力之间的差距。
官方接口示例使用 app_id=gui-owl，但本次核对的标准视觉微调名单中未见 GUI-Owl。因此，应将它视为可调用的 GUI 方案，而不能直接认定它已经支持百炼自助微调。
来源：通义 UI Agent 官方接口。接入时需核对账号可用性及其动作返回协议。
官方来源与适用范围
- 模型调优简介：北京地域、视觉模型名单、SFT / LoRA 支持、训练计费公式及单价。
- 模型调优操作：训练参数，以及冻结视觉主干与按 Token 计费的关系。
- 通义 UI Agent：截图操作方案与 GUI-Owl 接口。
资料核对日期：2026-09-30。模型支持范围、价格和账号开放情况可能变化；正式提交训练前再次核对控制台。推荐顺序属于工程判断，本文未声称某款模型在你的实际任务上已经胜出。