UI-TARS

UI-TARS 是一个面向图形界面的智能体模型，出自字节跳动 Seed 团队。它要解决的问题是让模型直接「看」屏幕：识别按钮、输入框、菜单，再决定点哪里、输入什么，而不是依赖网页结构或脚本选择器。官方把它定位为原生 GUI 智能体，用接近人的感知方式与界面交互。

主要能力

站点上能看到几条线索：UI-TARS 是用于界面理解与自动化的视觉语言模型，后续更新到 UI-TARS-1.5，并提供了 1.5 的演示展示。另有一条 Game-TARS，面向游戏场景的多模态智能体基础模型，说明这套能力也被延伸到游戏操作上。页面还给出 HuggingFace 与 GitHub 入口，以及同门的 Agent TARS。

适合谁

更适合研究者、开发者，以及想尝试「让模型自己操作软件」这类实验的人。普通用户拿它当现成工具用并不合适，它更像模型与配套代码，需要自己部署、接入或基于它做二次开发。

费用与限制

站点没有列出价格、登录方式和支持平台，只提供模型与代码入口，实际使用门槛取决于你选 HuggingFace 还是 GitHub 那条路。界面为英文，中文资料较少。模型在真实界面上的操作准确率仍受页面复杂度影响，涉及账号、支付等敏感操作时不宜完全放手。