4 月 18 日消息，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)。Nx528資訊網(wǎng)——每日最新資訊28at.com

Nx528資訊網(wǎng)——每日最新資訊28at.com

有關(guān)的鏈接如下：Nx528資訊網(wǎng)——每日最新資訊28at.com

GitHub：https://github.com/bytedance/UI-TARSNx528資訊網(wǎng)——每日最新資訊28at.com

Website：https://seed-tars.com/Nx528資訊網(wǎng)——每日最新資訊28at.com

Arxiv：https://arxiv.org/abs/2501.12326Nx528資訊網(wǎng)——每日最新資訊28at.com

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(xué)習(xí)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”。Nx528資訊網(wǎng)——每日最新資訊28at.com

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(xué)、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。Nx528資訊網(wǎng)——每日最新資訊28at.com

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(fù)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：Nx528資訊網(wǎng)——每日最新資訊28at.com

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。Nx528資訊網(wǎng)——每日最新資訊28at.com

System 2 推理機制：在動作前生成“思維（thought）”，支持復(fù)雜任務(wù)的多步規(guī)劃與決策。Nx528資訊網(wǎng)——每日最新資訊28at.com

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(xué)習(xí)提升動作可控性與執(zhí)行精度。Nx528資訊網(wǎng)——每日最新資訊28at.com

可自我演化的訓(xùn)練范式：通過自動化的交互軌跡采集與反思式訓(xùn)練，模型持續(xù)從錯誤中改進，適應(yīng)復(fù)雜環(huán)境變化。Nx528資訊網(wǎng)——每日最新資訊28at.com

本文鏈接：http://www.www897cc.com/showinfo-45-12383-0.html字節(jié) Seed 開源 UI-TARS-1.5：基于視覺-語言模型構(gòu)建的多模態(tài)智能體

聲明：本網(wǎng)頁內(nèi)容旨在傳播知識，若有侵權(quán)等問題請及時與本網(wǎng)聯(lián)系，我們將在第一時間刪除處理。郵件：2376512515@qq.com

上一篇： OpenAI 上線 Flex 處理模式：API 費用減半，但犧牲響應(yīng)速度及穩(wěn)定性

下一篇： OpenAI 最強推理模型 o3 o4-mini 發(fā)布后，“照片查位置”成最新熱門玩法