农夫导航大全 字节Seed开源UI-TARS-1.5：基于视觉言语模子构建的多模态智能体

IT之家 4 月 18 日音讯农夫导航大全，IT之家从豆包大模子团队获悉，UI-TARS-1.5 昨日认真发布并开源。这是一款基于视觉-言语模子构建的开源多模态智能体，大要在造谣天下中高效扩充千般任务。

色无极电影

相干的辘集如下：

GitHub：https://github.com/bytedance/UI-TARS

Website：https://seed-tars.com/

Arxiv：https://arxiv.org/abs/2501.12326

UI-TARS-1.5 基于字节此前建议的原生智能体决议 UI-TARS，通过强化学习进一步增强了模子的高阶推理才智，使模子大要在“行动”前先进行“想考”。

该版块的模子中，团队还展示了一个新的愿景：以游戏为载体来增强基础模子的推理才智。与数学、编程等领域比较，游戏更多依赖直不雅的、学问性的推理，金发美女并较少依赖专科知识，因此，游戏常常是评估和进步过去模子通用才智的梦想测试场景。

据先容，UI-TARS 是一个原生 GUI 智能体，具备确切操作电脑和手机系统的才智，同期，还可操控浏览器、完成复杂交互任务。UI-TARS-1.5 大要达成精确 GUI 操作，基于团队在四个维度的本事探索：

视觉感知增强：依托大界限界面截图数据，模子可表示元素的语义与险峻文，造成精确神气。

System 2 推理机制：在手脚前生成“想维（thought）”，扶助复杂任务的多步筹划与决策。

合股手脚建模：构建跨平台尺度手脚空间，通过确切轨迹学习进步手脚可控性与扩充精度。

可自我演化的磨练范式：通过自动化的交互轨迹收罗与反想式磨练农夫导航大全，模子执续从空虚中校正，相宜复杂环境变化。