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
0次
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
关联MCN公司谈司马南偷税：他...
界面新闻记者 | 赵孟 蔡星卓 界面新闻编辑 | 刘海川 2025年3月21日，国家税务总局北京...
小米AI眼镜突传消息！多股涨停
值得注意的是，此前多次有爆料称小米将打造AI眼镜，预计在3月至4月发布。 3月24日，AI眼镜板块领...
珍爱网回应闭店：全面核查整改，...
图片来源：视觉中国 3月24日，珍爱网发布《消费者权益保障工作声明》称，近日，个别合作商运营问题引发...
原创 李...
近日，李嘉诚拟向美国贝莱德财团出售43个港口。据媒体报道，双方已经谈妥了所有细节，贝莱德集团高层计划...
3月17日基金净值：前海开源瑞...
证券之星消息，3月17日，前海开源瑞和债券A最新单位净值为1.0433元，累计净值为1.2293元，...
聚焦“AI焦虑”“AI幻觉”，...
人工智能（AI）技术近年来发展迅猛，已迅速蔓延至各个领域，尤其是今年初，国产DeepSeek大模型的...
3月17日基金净值：前海开源公...
证券之星消息，3月17日，前海开源公用事业股票最新单位净值为2.7367元，累计净值为2.7367元...
爆冷！戴维斯30分利夫26+1...
【搜狐体育战报】北京时间3月11日CBA常规赛第39轮，卫冕冠军在上半场领先的情况下惨遭逆转，最终主...
华为大动作，高手看好AI医疗概...
本周，市场风格出现高低切换，市场炒作新热点，如阿里玄铁芯片、AI智能体、军工、小金属等，而一些老热点...
如何在CentOS上设置共享桌...
CentOS共享桌面配置指南 在服务器管理与运维场景中，CentOS因其稳定性和开源性被广泛使用，对...