字節(jié)Seed智能體模型UI-TARS-1.5開源
2025-04-18 11:44:28 |
微觀獵人 |
1520
4月18日，據(jù)報道，豆包大模型團隊宣布UI-TARS-1.5 正式發(fā)布并開源。這是一款基于視覺-語言模型構建的開源多模態(tài)智能體，能夠在虛擬世界中高效執(zhí)行各類任務。
據(jù)介紹，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模型的推理能力。與數(shù)學、編程等領域相比，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。UI-TARS-1.5 能夠實現(xiàn)精準 GUI 操作，基于團隊在四個維度的技術探索：
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）”，支持復雜任務的多步規(guī)劃與決策。
統(tǒng)一動作建模：構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。
特別提醒：本網信息來自于互聯(lián)網，目的在于傳遞更多信息，并不代表本網贊同其觀點。其原創(chuàng)性以及文中陳述文字和內容未經本站證實，對本文以及其中全部或者部分內容、文字、圖片等內容的真實性、完整性、及時性本站不作任何保證或承諾，請自行核實相關內容。本站不承擔此類作品侵權行為的直接責任及連帶責任。如若本網有任何內容侵犯您的權益，請及時發(fā)送相關信息至bireading@163.com，本站將會在48小時內處理完畢。
