字节跳动 UI-TARS：32.7k Star 的多模态 GUI Agent 开源工具

Type: article
Author: unknown
Primary Topic: AI Agent
Ingested: 2026-05-11

Summary

UI-TARS 是字节跳动开源的多模态 AI Agent 框架，能够通过视觉理解直接操控桌面应用和浏览器，无需依赖传统 DOM 选择器。该项目在 GitHub 获得 32.7k Stars，支持自然语言驱动的自动化测试、数据采集和业务流程自动化等场景。底层采用字节自研的 UI-TARS-1.5 视觉语言模型，并通过 MCP 协议实现工具扩展，以 Apache-2.0 协议开源，商业可用。

Key Concepts

多模态GUI Agent
视觉语言模型
桌面自动化
浏览器自动化
RPA增强
MCP协议
Computer Operator

Entities

字节跳动
UI-TARS
UI-TARS-1.5
Doubao-1.5-UI-TARS
Agent-TARS
HuggingFace
VolcEngine
MCP

Source

Raw: bytedance-ui-tars-multimodal-gui-agent.md

Relations

(none)