? 快速阅读

1. 功能：支持通过自然语言控制电脑，提供跨平台支持。
2. 部署：支持云端和本地部署，推荐使用 HuggingFace 或 vLLM 进行快速部署。
3. 运行：提供详细的安装和配置教程，支持 Windows 和 MacOS 系统。

正文（附运行示例）

UI-TARS Desktop 是什么

UI-TARS Desktop 是一款基于视觉语言模型（Vision-Language Model）的 GUI 代理应用，允许用户通过自然语言控制电脑操作。它结合了视觉识别和自然语言处理技术，能够理解用户的指令并执行相应的操作。

该应用支持跨平台运行，适用于 Windows 和 MacOS 系统。通过实时反馈和状态显示，用户可以直观地看到指令的执行情况，确保操作的精准性和高效性。

UI-TARS Desktop 的主要功能

• 自然语言控制：通过自然语言指令控制电脑操作，简化用户交互。
• 视觉识别支持：支持截图和视觉识别功能，能够识别屏幕内容并执行相应操作。
• 精准控制：提供精确的鼠标和键盘控制，确保操作的准确性。
• 跨平台支持：支持 Windows 和 MacOS 系统，满足不同用户的需求。
• 实时反馈：提供实时反馈和状态显示，帮助用户了解指令执行情况。

UI-TARS Desktop 演示示例

• Prompt：Get the current weather in SF using the web browser
• 使用网页浏览器获取旧金山的当前天气

• Prompt：Send a twitter with the content "hello world"
• 发送一条包含内容“hello world”的推特推文

如何运行 UI-TARS Desktop

1. 下载

你可以从 GitHub 仓库下载最新版本的 UI-TARS Desktop。

https://github.com/bytedance/UI-TARS-desktop/releases/latest

2. 安装（MacOS）

2.1. 将 UI TARS 应用程序拖拽到 Applications 文件夹中。

注意：如果应用损坏，您可以在终端中使用以下命令来修复它。

sudo xattr -dr com.apple.quarantine /Applications/UI\ TARS.app

2.2. 在 MacOS 中启用 UI TARS 的权限：

• 系统设置 -> 隐私与安全 -> 辅助功能
• 系统设置 -> 隐私与安全 -> 屏幕录制

2.3. 打开 UI TARS 应用程序，你将看到以下界面：

3. 安装（Windows）

3. 部署

3.1 云端部署

我们推荐使用 HuggingFace Inference Endpoints 进行快速部署。你可以参考以下两个官方文档：

• 英文版：https://juniper-switch-f10.notion.site/GUI-Model-Deployment-Guide-17b5350241e280058e98cea60317de71
• 中文版：https://bytedance.sg.larkoffice.com/docx/TCcudYwyIox5vyxiSDLlgIsTgWf#U94rdCxzBoJMLex38NPlHL21gNb

3.2 本地部署 [vLLM]

推荐使用 vLLM 进行快速部署和推理。你需要安装 vllm>=0.6.1：

pip install -U transformers
VLLM_VERSION=0.6.6
CUDA_VERSION=cu124
pip install vllm==${VLLM_VERSION} --extra-index-url https://download.pytorch.org/whl/${CUDA_VERSION}

3.2.1 下载模型

这里提供了三种模型大小：2B、7B 和 72B。为了获得最佳性能，推荐使用 7B-DPO 或 72B-DPO 模型：

• 2B-SFT：https://huggingface.co/bytedance-research/UI-TARS-2B-SFT
• 7B-SFT：https://huggingface.co/bytedance-research/UI-TARS-7B-SFT
• 7B-DPO：https://huggingface.co/bytedance-research/UI-TARS-7B-DPO
• 72B-SFT：https://huggingface.co/bytedance-research/UI-TARS-72B-SFT
• 72B-DPO：https://huggingface.co/bytedance-research/UI-TARS-72B-DPO

3.2.2 启动 OpenAI API 服务

运行以下命令启动 OpenAI 兼容的 API 服务：

python -m vllm.entrypoints.openai.api_server --served-model-name ui-tars --model <path to your model>

3.2.3 输入 API 信息

在设置中输入你的 API 信息：

注意：VLM 基础 URL 是与 OpenAI 兼容的 API 端点（有关更多详细信息，请参阅 OpenAI API 协议文档）。

资源

• GitHub 仓库：https://github.com/bytedance/UI-TARS-desktop
• OpenAI API 协议文档：https://platform.openai.com/docs/guides/vision/uploading-base-64-encoded-images
• 技术论文：https://arxiv.org/abs/2501.12326

❤️ 如果你也关注 AI 的发展现状，且对 AI 应用开发非常感兴趣，我会每日分享大模型与 AI 领域的最新开源项目和应用，提供运行实例和实用教程，帮助你快速上手AI技术，欢迎关注我哦！