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：方泰攻略站时间：2025-04-19 22:36:59
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
-
英特尔 CEO 陈立武精简领导团队，原网络芯片负责人 Sachin Katti 出任 CTO
本站 4 月 18 日消息，据路透社今日报道，英特尔新任首席执行官陈立武已着手精简管理架构，重要芯片部门今后将直接向他本人汇报。根据陈立武向员工发布的备忘录，英特尔已提拔网络芯片负责人 Sachin
-
Discord 在美新泽西州因“涉嫌违反儿童安全法”被起诉：未满 13 周岁孩童可编造生日创建新账号
本站 4 月 18 日消息，据外媒The Verge报道，近期美国新泽西州对 Discord 提起诉讼，指控该公司进行“欺骗性和不合理的商业行为”，导致儿童面临风险。本站从报道中获悉，相应诉状声称 D
-
Epic 喜加一：《植物精灵》游戏免费领取本站 4 月 17 日消息，Epic 本周送出的游戏是《植物精灵 (Botanicula)》，本作支持中文，一旦领取永久入库。下周送出的游戏是《毛线先生 (CHUCHEL)》。领取链接：《植物精灵 (
-
索尼收购在华游戏机合资公司并改名“玩站匹五”，官方征集 PS5 中文名感谢本站网友 Lara梁心颐、软媒用户1238620 的线索投递！ 本站 4 月 17 日消息，原上海东方明珠索乐文化发展有限公司近日被索尼中国全资收购，
-
相册照片可按日期分组显示，华为 Mate 60 、Pura 70 系列等手机获鸿蒙 HarmonyOS NEXT 5.0.0.155 升级感谢本站网友 石穿、王二狗蛋32、软媒新友2440234、旺财狗博士、最亮的派大星、BaDang、此号已被注册、zhao_31、adong_a、固囚囿团、米老厨、大学生、评论圈
