字节Seed开源UI-TARS-1.5：基于视觉语言模型构建的多模态智能体
创始人
2025-04-18 10:15:05
IT之家 4 月 18 日消息，IT之家从豆包大模型团队获悉，UI-TARS-1.5 昨日正式发布并开源。这是一款基于视觉-语言模型构建的开源多模态智能体，能够在虚拟世界中高效执行各类任务。
有关的链接如下：
- GitHub：https://github.com/bytedance/UI-TARS
- Website：https://seed-tars.com/
- Arxiv：https://arxiv.org/abs/2501.12326
UI-TARS-1.5 基于字节此前提出的原生智能体方案 UI-TARS，通过强化学习进一步增强了模型的高阶推理能力，使模型能够在“行动”前先进行“思考”。
该版本的模型中，团队还展示了一个新的愿景：以游戏为载体来增强基础模型的推理能力。与数学、编程等领域相比，游戏更多依赖直观的、常识性的推理，并较少依赖专业知识，因此，游戏通常是评估和提升未来模型通用能力的理想测试场景。
据介绍，UI-TARS 是一个原生 GUI 智能体，具备真实操作电脑和手机系统的能力，同时，还可操控浏览器、完成复杂交互任务。UI-TARS-1.5 能够实现精准 GUI 操作，基于团队在四个维度的技术探索：
- 视觉感知增强：依托大规模界面截图数据，模型可理解元素的语义与上下文，形成精准描述。
- System 2 推理机制：在动作前生成“思维（thought）”，支持复杂任务的多步规划与决策。
- 统一动作建模：构建跨平台标准动作空间，通过真实轨迹学习提升动作可控性与执行精度。
- 可自我演化的训练范式：通过自动化的交互轨迹采集与反思式训练，模型持续从错误中改进，适应复杂环境变化。
相关内容
热门资讯
投基论道 | 近一年指增基金平...
近一年，指数增强型基金业绩表现亮眼，平均回报高达27%。业内人士认为，市场结构性机会与量化策略的契合...
美国女子杀害男友后嫁给他的儿子...
△迈克尔斯（左）被控杀害乔纳森，右为死者儿子 媒体近日报道，美国内华达州拉斯维加斯一起案子引发全美关...
当AI算力飞向太空 我们将迎来...
当AI算力飞向太空 我们将迎来怎样的变革 11月9日，2025年世界互联网大会乌镇峰会数智空天论...
大股东赵一波计划减持不超3%，...
11月9日晚间，京能热力（002893）发布公告，公司大股东赵一波计划减持。 公告显示，因个人资金需...
AI引爆“电荒” 韩国电池三巨...
几年前，由电动汽车引爆的锂电产能竞赛仍历历在目，如今电动汽车市场增速趋缓，一场似曾相识的锂电产能倍增...