UIPress: Optical Token Compression for UI-to-Code Generation

受 DeepSeek-OCR 光学压缩启发，在 Qwen3-VL-8B 内部训练轻量 Conv 压缩模块， 将 ~6700 visual tokens 压缩到 256，与 VisionZip、EfficientUICoder 等推理时方法公平对比。

快速开始

详细步骤请看 START_HERE.md

# 1. 环境
conda create -n uipress python=3.11 -y && conda activate uipress
pip install -r requirements.txt && playwright install chromium

# 2. Smoke test (单卡)
CUDA_VISIBLE_DEVICES=0 python scripts/train_compressor.py \
    --max_samples 20 --epochs 1 --batch_size 1 --grad_accum 1

# 3. 正式训练 (6卡)
torchrun --nproc_per_node=6 scripts/train_compressor.py \
    --max_samples 50000 --epochs 5

# 4. 评估
./scripts/run_all_evals.sh 485

4 种压缩方法

方法	类型	需训练	脚本
分辨率缩放	Baseline	否	eval_all.py --method resolution
VisionZip	Token 选择	否	eval_all.py --method visionzip
EfficientUICoder 策略	元素引导选择	否	eval_all.py --method efficientui
UIPress 光学压缩	编码端压缩	是	eval_all.py --method uipress

硬件

阶段	GPU	时间
训练	6×A40 DDP	8-16h
评估 (全量 485)	6×A40 并行	3-4h
CLIP 评分	1×A40	2h