/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
7,1 млрд
Размер весов
33,2 ГБ
Лицензия
Apache 2.0
Архитектура
qwen2_5_vl · dense
Библиотека
transformers
Опубликована
16 апр 2025

UI-TARS-1.5-7B

Изображение и текст → текст3 профессии

Мультимодальный агент ByteDance Seed для понимания скриншотов и выполнения задач в графических интерфейсах компьютера.

348 тыс.скачиваний за 30 дней611лайковвеса обновлены18 апр 2025

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Изображение → текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки1

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

  • likaixin/ScreenSpot-Pro

    score · выше — лучше

    Результат

    61,6

    eviews_windows 96word_macos 88,1vmware_macos 82,9
    Hugging Face Leaderboards

    Публичная таблицаревизия не подтверждена

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

UI-TARS-1.5-7B — мультимодальная модель-агент ByteDance Seed для взаимодействия с графическими интерфейсами компьютера. Она основана на архитектуре Qwen2.5-VL и содержит 7,1 млрд параметров; модель принимает изображения и текст, а в ответ формирует текстовые инструкции и действия через интерфейс вызова инструментов. Заявленная длина контекста — 128 000 токенов.

Модель предназначена для распознавания элементов на экране и выполнения многошаговых задач в приложениях и браузере, а также для общего компьютерного использования. В карточке отдельно указано, что версия 7B ориентирована на компьютерные задачи, а не на игровые сценарии; приведены результаты на OSWorld и ScreenSpotPro, но они не гарантируют аналогичную точность в реальных условиях. Доступна по лицензии Apache-2.0.

Сценарии применения

  • поиск и выбор элементов управления на скриншоте
  • выполнение многошаговых задач в компьютерных приложениях
  • автоматизация действий в браузере
  • навигация по интерфейсу операционной системы
  • оценка GUI-агентов на бенчмарках

Ограничения

Версия 7B не оптимизирована специально для игровых сценариев и уступает полной версии UI-TARS-1.5 в приведённых игровых и некоторых бенчмарковых результатах. Результаты бенчмарков не гарантируют качество выполнения действий в произвольных приложениях.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

UI-TARS-1.5 Model

We shared the latest progress of the UI-TARS-1.5 model in our blog, which excels in playing games and performing GUI tasks.

Introduction

UI-TARS-1.5, an open-source multimodal agent built upon a powerful vision-language model. It is capable of effectively performing diverse tasks within virtual worlds.

Leveraging the foundational architecture introduced in our recent paper, UI-TARS-1.5 integrates advanced reasoning enabled by reinforcement learning. This allows the model to reason through its thoughts before taking action, significantly enhancing its performance and adaptability, particularly in inference-time scaling. Our new 1.5 version achieves state-of-the-art results across a variety of standard benchmarks, demonstrating strong reasoning capabilities and notable improvements over prior models.

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

Application: https://github.com/bytedance/UI-TARS-desktop

Performance

Online Benchmark Evaluation

Benchmark typeBenchmarkUI-TARS-1.5OpenAI CUAClaude 3.7Previous SOTA
Computer UseOSworld (100 steps)42.536.42838.1 (200 step)
Windows Agent Arena (50 steps)42.1--29.8
Browser UseWebVoyager84.88784.187
Online-Mind2web75.87162.971
Phone UseAndroid World64.2--59.5

Grounding Capability Evaluation

BenchmarkUI-TARS-1.5OpenAI CUAClaude 3.7Previous SOTA
ScreensSpot-V294.287.987.691.6
ScreenSpotPro61.623.427.743.6

Poki Game

Model2048cubinkoenergyfree-the-keyGem-11hex-frvrInfinity-LoopMaze:Path-of-Lightshapessnake-solverwood-blocks-3dyarn-untanglelaser-maze-puzzletiles-master
OpenAI CUA31.040.0032.800.0046.2792.2523.0835.0052.1842.862.0244.5680.0078.27
Claude 3.743.050.0041.600.000.0030.762.3182.006.2642.860.0013.7728.0052.18
UI-TARS-1.5100.000.00100.00100.00100.00100.00100.00100.00100.00100.00100.00100.00100.00100.00

Minecraft

Task TypeTask NameVPTDreamerV3Previous SOTAUI-TARS-1.5 w/o ThoughtUI-TARS-1.5 w/ Thought
Mine Blocks(oak_log)0.81.01.01.01.0
(obsidian)0.00.00.00.20.3
(white_bed)0.00.00.10.40.6
200 Tasks Avg.0.060.030.320.350.42
Kill Mobs(mooshroom)0.00.00.10.30.4
(zombie)0.40.10.60.70.9
(chicken)0.10.00.40.50.6
100 Tasks Avg.0.040.030.180.250.31

Model Scale Comparison

This table compares performance across different model scales of UI-TARS on the OSworld benchmark.

Benchmark TypeBenchmarkUI-TARS-72B-DPOUI-TARS-1.5-7BUI-TARS-1.5
Computer UseOSWorld24.627.542.5
GUI GroundingScreenSpotPro38.149.661.6

The released UI-TARS-1.5-7B focuses primarily on enhancing general computer use capabilities and is not specifically optimized for game-based scenarios, where the UI-TARS-1.5 still holds a significant advantage.

What's next

We are providing early research access to our top-performing UI-TARS-1.5 model to facilitate collaborative research. Interested researchers can contact us at TARS@bytedance.com.

Citation

If you find our paper and model useful in your research, feel free to give us a cite.

@article{qin2025ui,
  title={UI-TARS: Pioneering Automated GUI Interaction with Native Agents},
  author={Qin, Yujia and Ye, Yining and Fang, Junjie and Wang, Haoming and Liang, Shihao and Tian, Shizuo and Zhang, Junda and Li, Jiahao and Li, Yunxin and Huang, Shijue and others},
  journal={arXiv preprint arXiv:2501.12326},
  year={2025}
}

Как запустить

На своей GPU в ailist или через готовый API. Цены — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

API через OpenRouter

bytedance/ui-tars-1.5-7b

Недоступна

$0.1 / $0.2

Запуск через API временно недоступен: у платформы закончился лимит OpenRouter.

Класс архитектуры
Qwen2_5_VLForConditionalGeneration
Ревизия весов
683d002

0 моделей