ByteDance：UI-TARS纯视觉智能体

UI-TARS一款由字节跳动开发的端到端原生图形用户界面（GUI）智能体模型。该模型突破了传统架构对复杂提示词工程和外部模块的依赖，直接通过视觉截图感知环境并模拟人类操作。通过引入System-2 思考机制，UI-TARS 具备了任务拆解、反思补救和里程碑识别等高级推理能力。此外，研究团队构建了大规模的GUI 教程数据集，并结合在线自引导训练与反思微调技术，显著解决了交互数据稀缺的难题。实验结果显示，该模型在 OSWorld 和 AndroidWorld 等十余项权威基准测试中刷新了纪录，性能全面超越了 GPT-4o 和 Claude 等顶尖商业模型。该项目已通过开源形式发布，旨在引领智能体从被动自动化向自主学习的进化。