IT之家 4 月 18 日消息，IT之家從豆包大模型團隊獲悉，UI-TARS-1.5 昨日正式發(fā)布并開源。這是一款基于視覺-語言模型構(gòu)建的開源多模態(tài)智能體，能夠在虛擬世界中高效執(zhí)行各類任務(wù)。
有關(guān)的鏈接如下：
GitHub：https://github.com/bytedance/UI-TARS
Website：https://seed-tars.com/
Arxiv：https://arxiv.org/abs/2501.12326
UI-TARS-1.5 基于字節(jié)此前提出的原生智能體方案 UI-TARS，通過強化學習進一步增強了模型的高階推理能力，使模型能夠在“行動”前先進行“思考”。
該版本的模型中，團隊還展示了一個新的愿景：以游戲為載體來增強基礎(chǔ)模型的推理能力。與數(shù)學、編程等領(lǐng)域相比，游戲更多依賴直觀的、常識性的推理，并較少依賴專業(yè)知識，因此，游戲通常是評估和提升未來模型通用能力的理想測試場景。
據(jù)介紹，UI-TARS 是一個原生 GUI 智能體，具備真實操作電腦和手機系統(tǒng)的能力，同時，還可操控瀏覽器、完成復雜交互任務(wù)。UI-TARS-1.5 能夠?qū)崿F(xiàn)精準 GUI 操作，基于團隊在四個維度的技術(shù)探索：
視覺感知增強：依托大規(guī)模界面截圖數(shù)據(jù)，模型可理解元素的語義與上下文，形成精準描述。
System 2 推理機制：在動作前生成“思維（thought）”，支持復雜任務(wù)的多步規(guī)劃與決策。
統(tǒng)一動作建模：構(gòu)建跨平臺標準動作空間，通過真實軌跡學習提升動作可控性與執(zhí)行精度。
可自我演化的訓練范式：通過自動化的交互軌跡采集與反思式訓練，模型持續(xù)從錯誤中改進，適應復雜環(huán)境變化。
廣告聲明：文內(nèi)含有的對外跳轉(zhuǎn)鏈接（包括不限于超鏈接、二維碼、口令等形式），用于傳遞更多信息，節(jié)省甄選時間，結(jié)果僅供參考，IT之家所有文章均包含本聲明。