UI TARS Desktop

UI TARS Desktop 是字节跳动开源的多模态 AI 智能体技术栈，将视觉驱动的「computer use」带到你的日常机器上。它不单纯依赖无障碍 API 或脆弱的 DOM 选择器，而是由底层视觉语言模型（UI-TARS / Seed-1.5-VL 系列）感知原始截图和渲染后的 UI 帧，然后决定并执行完成任务所需的点击、输入和导航——很像 Claude Computer Use 或 OpenAI 的 computer-using agent，但它是开源且可自托管的。 该产品覆盖多个场景。UI TARS Desktop 是一个原生 Electron 应用，让智能体接管并操作你的整台电脑；Agent TARS 聚焦浏览器，通过自然语言控制网页并无缝集成 DOM；技术栈还延伸到终端和生产环境。这使其成为一个通用智能体平台而非单一用途工具：你可以让它填写网页表单、编排跨应用桌面工作流，或自动化那些难以用传统脚本处理的重复性 GUI 任务。 本地可部署是它的一大吸引力。UI-TARS-1.5-7B 模型足够小，可在消费级硬件上运行，因此注重隐私的用户可以让智能体执行完全留在自己的机器上，而非把截图传到第三方云端。该项目已成为最重要的开源智能体之一，发布后不久便积累了数万 GitHub stars。 UI TARS Desktop 面向开发者、自动化工程师和高级用户，他们想要一个开放、可审计的 computer-use 智能体——无论是基于该技术栈二次开发、为隐私自托管，还是研究能跨应用泛化的 GUI 自动化。