UI TARS bytedance

bytedance UI-TARS ¶

UI-TARS 是由字节跳动开源的自动化 GUI 交互智能体项目，基于视觉语言模型（如 Qwen 2.5VL）构建。

主要功能： 1. 全场景 GUI 操作：支持 Windows、Linux、macOS 桌面环境、Android 移动端及 Web 浏览器，可执行点击、拖拽、输入、导航等原生操作。 2. 复杂任务与游戏：具备玩游戏（Poki、Minecraft）、代码编写、工具使用及跨应用任务编排能力，是全能型 Agent 模型。 3. 强化学习推理：通过强化学习实现“思考后行动”，在 OSWorld、WebVoyager、ScreenSpot 等基准测试中达到业界领先水平（SOTA）。 4. 开源与部署：提供 UI-TARS-1.5 及 UI-TARS-2 模型（含 7B 版本），支持本地及云端部署，配有坐标处理工具及针对桌面、移动端的提示词模板。

该项目致力于实现高效、智能的自动化人机交互。