ByteDance: UI-TARS 7B

ByteDance: UI-TARS 7B (UI-TARS-1.5) — это передовой мультимодальный визуально-языковой агент, специально разработанный для сред с графическим интерфейсом пользователя (GUI). Это включает широкий спектр приложений, таких как интерфейсы настольных компьютеров, веб-браузеры, мобильные операционные системы и даже игры. Созданный ByteDance, он использует базовую структуру UI-TARS, дополненную рассуждениями на основе обучения с подкреплением, что обеспечивает надежное планирование и выполнение действий в различных виртуальных интерфейсах. Эта модель достигает самых современных результатов в многочисленных интерактивных и базовых тестах, включая OSworld, WebVoyager, AndroidWorld и ScreenSpot. Она также демонстрирует идеальное выполнение задач в различных играх Poki и значительно превосходит предыдущие модели в задачах агентов Minecraft. UI-TARS-1.5 поддерживает декомпозицию мыслей во время вывода и демонстрирует сильное масштабирование между вариантами. Версия 1.5 заметно превосходит производительность более ранних контрольных точек 72B и 7B, предлагая превосходные возможности. Она поддерживает зрение и потоковую передачу, с окном контекста 128K токенов и максимальным выходом 4K токенов. Ценообразование конкурентоспособно: $0.10/$0.20 за 1M токенов (вход/выход), и он доступен для бесплатного доступа.