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
作者：灵犀软件园时间：2025-04-19 09:31:02
本站 4 月 18 日消息，本站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。
相关文章
-
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本站 4 月 18 日消息，本站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：G
-
苹果 Apple Pencil 专利曝光，未来可支持 5G / 卫星无线通信
本站 4 月 18 日消息，科技媒体 patentlyapple 昨日（4 月 17 日）发布博文，报道称苹果公司获批一项新专利，涉及未来的 Apple Pencil（USB-C）设计，让其支持无线通
-
美国当局关税政策背景下，消息称苹果开始在巴西组装 iPhone 16e 手机
本站 4 月 18 日消息，据外媒 MacMagazine 报道，富士康正在悄悄调整苹果 iPhone 供应链布局，开始在巴西组装 iPhone 16e。据悉，相应巴西版 iPhone 16e 手机的
-
谷歌也要“送 AI 进校园”：美国大学生可限时免费订阅 Google One AI Premium 计划
本站 4 月 18 日消息，据外媒 The Verge 今日报道，谷歌成为最新一位加入高校市场竞争的 AI 服务商。从即日起，美国大学生可以免费订阅 One AI Premium，直到 2026 年
-
制造商 Woojer 推出 Haptic Vest 3 震动背心外设：VR / XR 游戏下可直观感受手雷爆炸等场景
本站 4 月 18 日消息，制造商 Woojer宣布推出一款 Haptic Vest 3 震动背心外设，该外设主要用于VR XR游戏场景，号称可以让玩家直观感受到游戏场景中的手雷爆炸、被枪械击中等
-
调查显示日本年轻玩家持续热衷游戏内付费，更有近两成玩家生活费因此短缺
本站 4 月 18 日消息，根据外媒 Automaton 15 日报道，日本三井住友银行集团旗下 SMBC 消费金融近日公布了年度在线调查的最新结果。今年 2 月，调查团队邀请了 1000 名 20