UI-TARS 7B

UI-TARS-1.5 是一个针对 GUI 环境（包括桌面界面、网页浏览器、移动系统和游戏）优化的多模态视觉语言代理。它由字节跳动构建，基于 UI-TARS 框架，并结合了基于强化学习的推理能力，能够在虚拟界面上实现稳健的动作规划与执行。

该模型在一系列交互与接地基准测试中取得了最先进的成绩，包括 OSworld、WebVoyager、AndroidWorld 和 ScreenSpot。同时，它在多种 Poki 游戏中实现了完美的任务完成率，并在 Minecraft 代理任务中优于之前的模型。UI-TARS-1.5 支持推理过程中的思维分解，且在不同变体上表现出强大的扩展性，其中 1.5 版本显著超越了早期 72B 和 7B 检查点的性能。