UI TARS 7B
1351°
এই মডেল চালান
অফার / বিজ্ঞাপন
ByteDance | 128,000 token context | $0.10/M input, $0.20/M output. UI-TARS-1.5 একটি মাল্টিমোডাল ভিশন-ভাষা এজেন্ট যা GUI-ভিত্তিক পরিবেশ যেমন ডেস্কটপ ইন্টারফেস, ওয়েব ব্রাউজার, মোবাইল সিস্টেম এবং গেমসের জন্য অপ্টিমাইজ করা হয়েছে। ByteDance দ্বারা নির্মিত, এটি UI-TARS ফ্রেমওয়ার্কের উপর ভিত্তি করে রিইনফোর্সমেন্ট লার্নিং-ভিত্তিক যুক্তি প্রদান করে, যা ভার্চুয়াল ইন্টারফেসে শক্তিশালী কর্মপরিকল্পনা এবং বাস্তবায়ন সক্ষম করে। এই মডেল OSworld, WebVoyager, AndroidWorld, এবং ScreenSpot সহ বিভিন্ন ইন্টারেক্টিভ এবং গ্রাউন্ডিং বেঞ্চমার্কে সর্বাধুনিক ফলাফল অর্জন করে। এটি বিভিন্ন Poki গেমে নিখুঁত কাজ সম্পাদন…ByteDance | 128,000 token context | $0.10/M input, $0.20/M output. UI-TARS-1.5 একটি মাল্টিমোডাল ভিশন-ভাষা এজেন্ট যা GUI-ভিত্তিক পরিবেশ যেমন ডেস্কটপ ইন্টারফেস, ওয়েব ব্রাউজার, মোবাইল সিস্টেম এবং গেমসের জন্য অপ্টিমাইজ করা হয়েছে। ByteDance দ্বারা নির্মিত, এটি UI-TARS ফ্রেমওয়ার্কের উপর ভিত্তি করে রিইনফোর্সমেন্ট লার্নিং-ভিত্তিক যুক্তি প্রদান করে, যা ভার্চুয়াল ইন্টারফেসে শক্তিশালী কর্মপরিকল্পনা এবং বাস্তবায়ন সক্ষম করে। এই মডেল OSworld, WebVoyager, AndroidWorld, এবং ScreenSpot সহ বিভিন্ন ইন্টারেক্টিভ এবং গ্রাউন্ডিং বেঞ্চমার্কে সর্বাধুনিক ফলাফল অর্জন করে। এটি বিভিন্ন Poki গেমে নিখুঁত কাজ সম্পাদন করে এবং Minecraft এজেন্ট টাস্কে পূর্ববর্তী মডেলগুলিকে ছাড়িয়ে যায়। UI-TARS-1.5 ইনফারেন্সের সময় চিন্তার বিভাজন সমর্থন করে এবং বিভিন্ন ভেরিয়েন্টে শক্তিশালী স্কেলিং প্রদর্শন করে, যেখানে 1.5 সংস্করণ পূর্বের 72B এবং 7B চেকপয়েন্টের পারফরম্যান্সকে উল্লেখযোগ্যভাবে ছাড়িয়ে যায়।
এই মডেলের গাইড
Ollama বনাম LM Studio (2026): কোন লোকাল AI অ্যাপ ব্যবহার করবেন, এবং প্রতিটি কোন শীর্ষ মডেল চালায়
লোকাল AI এর জন্য আসলে কত VRAM দরকার?
ওপেন ওয়েটস বনাম ওপেন সোর্স বনাম শুধুমাত্র API: আপনি আসলে কী করতে পারবেন
GGUF ফাইল কী? কোয়ান্টাইজড মডেল ব্যাখ্যা (Q4, Q8, fp8, NF4)
ক্যাপ্টেনের নোটস
2026-10-13 থেকে নোটস
UI-TARS-1.5 7B হলো ByteDance-এর একটি ওপেন-ওয়েটস মাল্টিমোডাল এজেন্ট যা গ্রাফিক্যাল ইন্টারফেস যেমন ডেস্কটপ অ্যাপ, ব্রাউজার, মোবাইল স্ক্রিন এবং গেম পরিচালনার জন্য তৈরি। রিইনফোর্সমেন্ট-লার্নিং ভিত্তিক যুক্তি এটিকে শুধু যা দেখে তা বর্ণনা করার পরিবর্তে বহু-ধাপের কাজ পরিকল্পনা ও সম্পাদন করতে সক্ষম করে। ৭ বিলিয়ন প্যারামিটার থাকা সত্ত্বেও এটি তার ওজন শ্রেণির বাইরে পারফর্ম করে, আগের ৭২ বিলিয়ন চেকপয়েন্টগুলোর তুলনায় বেশ কিছু GUI বেঞ্চমার্কে এগিয়ে।
পরিচিত
- OSworld, AndroidWorld এবং ScreenSpot গ্রাউন্ডিং বেঞ্চমার্কে শীর্ষ স্কোর
- ডেস্কটপ, ব্রাউজার, মোবাইল এবং গেম ইন্টারফেস স্বয়ংক্রিয় এজেন্ট হিসেবে পরিচালনা করে
- RL-প্রশিক্ষিত যুক্তির মাধ্যমে কাজ করার আগে ধাপে ধাপে চিন্তা করে
- Apache 2.0 লাইসেন্স — লোকালি চালাতে, পরিবর্তন করতে এবং বাণিজ্যিকভাবে ব্যবহার করতে পারবেন
- ৭B মডেল নির্মাতার আগের ৭২B মডেলের চেয়ে গুরুত্বপূর্ণ কাজগুলোতে ভালো পারফর্ম করে
সতর্ক থাকুন
- প্রধানত ইংরেজি; মাল্টিলিঙ্গুয়াল GUI সাপোর্ট ByteDance দ্বারা ডকুমেন্টেড নয়।
- লোকালি এজেন্ট হিসেবে চালাতে হলে চ্যাট মডেলের তুলনায় বেশি সেটআপ দরকার — একটি GUI হার্নেস লাগবে।
- কন্টেক্সট ১২৮কে টোকেন, কিন্তু বহু স্ক্রিনশটের এজেন্ট কাজ দ্রুত এটি শেষ করে দিতে পারে।
চেষ্টা করার প্রম্পটস
ব্রাউজার টাস্ক অটোমেশন
আপনি একটি ওয়েব ব্রাউজার নিয়ন্ত্রণ করছেন। Wikipedia-তে যান, 'reinforcement learning' অনুসন্ধান করুন, অ্যাপ্লিকেশন সম্পর্কিত অংশটি খুঁজে বের করুন এবং সেই অংশের প্রথম বাক্যটি আমাকে দিন। প্রতিটি ক্লিক এবং কীস্ট্রোক বর্ণনা করুন, তারপর চূড়ান্ত উত্তর দিন।
স্ক্রিন উপাদান গ্রাউন্ডিং
আমি একটি ডেস্কটপ অ্যাপ্লিকেশনের স্ক্রিনশট সংযুক্ত করছি। প্রাথমিক অ্যাকশন বাটনের সঠিক পিক্সেল কোঅর্ডিনেট নির্ধারণ করুন, কীভাবে এটি খুঁজে পেয়েছেন ব্যাখ্যা করুন, এবং ফাইল সংরক্ষণের জন্য পরবর্তী কোন কাজটি করবেন তা বর্ণনা করুন।
বহু-ধাপের মোবাইল টাস্ক
আপনি একটি অ্যান্ড্রয়েড ফোন পরিচালনা করছেন। হোম স্ক্রিন থেকে শুরু করে Settings অ্যাপ খুলুন, Wi-Fi-তে যান এবং এটি বন্ধ করুন। প্রতিটি ট্যাপ বা সোয়াইপ নম্বর দিয়ে তালিকাভুক্ত করুন এবং UI-তে যদি কোনো নিশ্চিতকরণ ডায়ালগ প্রয়োজন হয় তা চিহ্নিত করুন।
তুলনা করুন
- GPT-5.6 Lunaশুধুমাত্র API মডেল1,050,000 টোকেন প্রসঙ্গ · $0.20/M ইনপুট, $1.20/M আউটপুট
- Muse Spark 1.3 Contributorশুধুমাত্র API মডেল1,048,576 টোকেন প্রসঙ্গ · $0.10/M ইনপুট, $0.20/M আউটপুট
- Claude Haiku 5.5শুধুমাত্র API মডেল1,000,000 টোকেন প্রসঙ্গ · $0.10/M ইনপুট, $0.50/M আউটপুট
- Gemini 2.5 Flash Liteশুধুমাত্র API মডেল1,048,576 টোকেন প্রসঙ্গ · $0.10/M ইনপুট, $0.40/M আউটপুট
bytedance থেকে আরও টেক্সট মডেল
মানুষ যে প্রশ্ন করে
- আমি কি UI-TARS-1.5 7B লোকালি চালাতে পারি?
- হ্যাঁ — ওজনগুলো Apache 2.0 লাইসেন্সের অধীনে ওপেন এবং Hugging Face-এ হোস্ট করা হয়েছে, তাই আপনি ডাউনলোড করে নিজের হার্ডওয়্যারে চালাতে পারেন। ByteDance একটি ডেস্কটপ অ্যাপ্লিকেশন র্যাপার GitHub-এ প্রকাশ করেছে যা লোকাল এজেন্ট ব্যবহারে সুবিধা দেয়।
- API ব্যবহার করার খরচ কত এবং কন্টেক্সট উইন্ডো কত বড়?
- প্রতি মিলিয়ন ইনপুট টোকেন $0.10 এবং প্রতি মিলিয়ন আউটপুট টোকেন $0.20, কন্টেক্সট উইন্ডো ১২৮,০০০ টোকেন।
- UI-TARS-1.5 7B মূল UI-TARS মডেল থেকে কীভাবে আলাদা?
- 1.5 ভার্সনে রিইনফোর্সমেন্ট-লার্নিং ভিত্তিক যুক্তি যোগ করা হয়েছে, যা মডেলকে কাজ ভেঙে পরিকল্পনা করতে এবং কাজ করার আগে পদক্ষেপ নির্ধারণ করতে দেয়; ByteDance জানিয়েছে এটি আগের ৭B এবং ৭২B চেকপয়েন্টের তুলনায় বেঞ্চমার্ক কাজগুলোতে ভালো পারফর্ম করে।
ক্যাপ্টেনের সিদ্ধান্তএকটি বিরল ৭B মডেল যা গুরুতর এজেন্ট পাইপলাইনে স্থান পায় — ওপেন ওজন, কম খরচ, এবং GUI কাজগুলোতে অনেক বড় ক্লোজড প্রতিদ্বন্দ্বীদের সঙ্গে প্রতিযোগিতামূলক।
Hugging Face এ মডেল কার্ড
ক্যাপ্টেন এই নোটস মডেলের নিজস্ব বর্ণনা এবং মডেল কার্ড থেকে লিখেছেন। দাম এবং প্রসঙ্গের আকার লেখার সময় প্রদানকারীর এবং পরিবর্তিত হতে পারে।
Ranking badge
Updated Oct 22, 2026
Made this model? Show this badge on your page.
Paste it into your Hugging Face card or Civitai description.
কিভাবে এই স্কোর গঠিত হয়
এই মডেলের এখনো কোনো উৎস থেকে জনপ্রিয়তার তথ্য নেই, তাই এটি 7,000° এর নিচে একটি স্ট্যান্ড-ইন নম্বর বহন করে যা তালিকাগুলো সম্পূর্ণ রাখে। এটি কখনো তথ্যসহ মডেলের থেকে উপরে র্যাঙ্ক পায় না। উৎস রিপোর্ট করলে এখানে ব্রেকডাউন দেখানো হবে।
শব্দকোষ: এখানে ব্যবহৃত শব্দগুলো
- হিট স্কোর
- একটি সংখ্যা যা দেখায় মডেলটি এখন কতটা ব্যবহৃত এবং চাওয়া হচ্ছে, 0° থেকে 9,999° পর্যন্ত। এই সাইটের প্রতিটি তালিকা যা hottest বলে সেটি এই স্কোর অনুযায়ী সাজানো হয়, আর কিছু নয়।
- ফ্লোর
- প্রতিটি মডেল যার কাছে আসল ডেটা আছে তার জন্য 7,000° থেকে শুরু। স্কেল 0° থেকে 9,999° পর্যন্ত; ফ্লোরের নিচের অংশ স্ট্যান্ড-ইন (ডেটা ছাড়া মডেল) এর জন্য রাখা হয়েছে, যাতে ডেটা থাকা মডেল সবসময় ডেটা ছাড়া মডেলের উপরে থাকে। ফ্লোর সবার জন্য একই এবং কিছু নির্ধারণ করে না; এর উপরের ডিগ্রি গুলোই মাপ।
- ডাউনলোড-সমতুল্য
- যা কিছু স্কোর ডাউনলোড হিসেবে গণনা করে, সব যোগ করা হয়েছে: ডাউনলোড নিজেই, প্রতিটি টরেন্ট সিডার 1,000 হিসেবে, প্রতিটি AI Horde ছবি এবং প্রতিটি জেনারেশন সাইটে রান এক হিসেবে।
- লগ স্কেল
- দশের ভিত্তিতে গণনা, একের ভিত্তিতে নয়: 1,000 থেকে 10,000 ডাউনলোডে যাওয়া একই ডিগ্রি যোগ করে যেমন 10,000 থেকে 100,000 এ যাওয়া। এটা বড় মডেলগুলোকে সবকিছু ছাপিয়ে যাওয়া থেকে রোধ করে।
- লাইক
- প্রতিটি উৎস থেকে থাম্বস আপ এবং লাইক, লগ স্কেলে প্রতিটি ডাউনলোডের অর্ধেক মূল্যমান।
- গ্রহণের হার
- একটি মডেল এখন প্রতিদিন কত ডাউনলোড পাচ্ছে, একটি উৎসের দুই রিডিংয়ের পার্থক্য থেকে। ডাউনলোড টার্মের এক চতুর্থাংশ ওজন।
- পরিমাপ করা এবং অনুমান করা
- পরিমাপ করা মানে একটি উৎসের দুটি রিডিং আছে এবং তার মধ্যে পার্থক্য সত্য। অনুমান করা মানে শুধু আজকের মোট জানা আছে এবং অতীত মডেলের জীবনের উপর ছড়িয়ে দেওয়া হয়েছে; সাইট বলে কোনটি দেখাচ্ছে।
- সিডার
- যে কেউ ওজনের একটি কপি অনলাইনে রাখে অন্যদের টরেন্টের মাধ্যমে ডাউনলোড করার জন্য, অথবা একটি হোস্ট করা মিরর যা একই কাজ করে। প্রতিটি 1,000 ডাউনলোড হিসাবে গণনা হয়।
- AI হোর্ড
- একটি স্বেচ্ছাসেবক নেটওয়ার্ক যা দানকৃত কম্পিউটারে বিনামূল্যে ছবি তৈরি করে। একটি মডেলের সাথে এটি যত ছবি তৈরি করেছে তা প্রকাশ্য, এবং প্রতিটি একটি ডাউনলোড হিসাবে গণ্য হয়।
- জেনারেশন সাইটসমূহ
- সাইটগুলো যারা তাদের নিজস্ব মডেলের কপি হোস্ট করে এবং মানুষকে সেটি দিয়ে ছবি তৈরি করতে দেয়, যেমন PixAI, SeaArt এবং Yodayo। তাদের ডাউনলোড Civitai এর মতো গণনা হয় এবং প্রতিটি জেনারেশন রান একটি ডাউনলোড হিসাবে গণ্য হয়।
- OpenRouter টোকেন
- Claude বা GPT এর মতো API এর মাধ্যমে পরিবেশিত একটি টেক্সট মডেলের ওজন ডাউনলোড করার কিছু থাকে না, তাই এর ব্যবহার টোকেনে পরিমাপ করা হয়: OpenRouter এর মাধ্যমে এটি পড়া এবং লেখা টেক্সটের অংশ, যা অনেক অ্যাপ ব্যবহার করে, গত ৩০ দিনে। প্রতি 10,000,000 টোকেনকে একটি ডাউনলোড হিসেবে গণ্য করা হয়। উৎস: OpenRouter (openrouter.ai/rankings), CC BY 4.0।
- পূর্ণ মডেল (চেকপয়েন্ট)
- ওজনগুলো নিজেই, সেই ফাইল যা নিজে থেকে জেনারেট করে। এটি একটি বোনাস পায় কারণ অ্যাড-অনগুলো এর উপর নির্ভর করে।
- LoRA এবং এমবেডিং
- ছোট অ্যাড-অন ফাইল যা অন্য কারো ওজনকে একটি স্টাইল, চরিত্র বা ধারণার দিকে পরিচালিত করে। এগুলো একা চালানো যায় না।
- পরিবার এবং ওজন
- যে বেসের উপর একটি মডেল তৈরি হয়, যেমন SD 1.5, SDXL, Flux বা Wan। প্রতিটি মডেল তার পরিবারের ওজনের রিলিজ তারিখ উত্তরাধিকার সূত্রে পায়।
- বয়স
- পরিবারের ওজন কতদিন আগে বের হয়েছে তার জন্য ডিগ্রি কমানো হয়: বছরে ১৫০°, সর্বোচ্চ ৭৫০° পর্যন্ত। এটি পুরানো ডাউনলোডগুলো ধরে রাখে যেগুলো বছরের পর বছর জমা হয়েছে তালিকার শীর্ষ থেকে ফ্রিজ করে।
- পরিবার বুস্ট
- একটি ছোট, সীমাবদ্ধ ধাক্কা LoRA গুলোর জন্য যেগুলো এই সাইট এখন এগিয়ে দিচ্ছে, সবসময় ব্রেকডাউনে তালিকাভুক্ত থাকে।
- স্ট্যান্ড-ইন স্কোর
- একটি স্থিতিশীল সংখ্যা যা একটি মডেলের জন্য দেওয়া হয় যার কোন উৎস এখনও রিপোর্ট করেনি, যাতে তালিকা সম্পূর্ণ থাকে। এটি কখনোই ডেটা সহ মডেলের উপরে স্থান পায় না।
- নতুন! (গ্রেস পিরিয়ড)
- 7 দিনের কম বয়সী একটি মডেল স্কোরের পরিবর্তে নতুন! দেখায় এবং র্যাঙ্কিংয়ে স্থান পায় না। এর স্কোর প্রথম দিন থেকে গণনা হয়, কিন্তু একদিন বয়সী মডেল দ্রুত বৃদ্ধি পায়, তাই অপেক্ষা না করলে সপ্তাহের #1 সবসময় গতকালের নতুন মডেল হতো, সপ্তাহ ধরে টিকে থাকা মডেলের পরিবর্তে।
- ট্রেন্ড
- একটি মডেলের বৃদ্ধি একটি নির্দিষ্ট সময়ে কেমন হয়েছে তা একই সময়ের মধ্যে সাধারণ মডেলের বৃদ্ধির সাথে তুলনা করে। সাধারণের চেয়ে দ্রুত হলে তা বৃদ্ধি, ধীর হলে পতন হিসেবে পড়ে।
- সাধারণ মডেল
- ক্যাটালগের মাঝামাঝি: অর্ধেক মডেল একটি সংখ্যার সাথে সময়কালে দ্রুত বৃদ্ধি পেয়েছে, অর্ধেক ধীর।
UI TARS 7B হলো Text / LLM ফ্যামিলির একটি টেক্সট মডেল, যা ModelTrends.ai-তে তালিকাভুক্ত; এটি ওপেন সোর্স AI ছবি, ভিডিও ও টেক্সট মডেলের একটি শুধু-পড়ার ক্যাটালগ। অন্য Text / LLM মডেলের সাথে তুলনা করুন আর হিট স্কোর দেখে ট্রেন্ড বুঝুন।
মডেল ফ্যামিলি অনুযায়ী দেখুন
Text / LLM মডেল
434
Anima মডেল
528
Chroma মডেল
19
Fibo মডেল
2
Flux মডেল
1,496
Flux 2 / Klein মডেল
1,239
Flux 3 মডেল
3
Moss মডেল
3
Iris মডেল
1
MiniMax H3 মডেল
364
Hunyuan মডেল
204
Ideogram মডেল
20
Krea2 মডেল
717
Qwen মডেল
20
Qwen2 মডেল
47
Ltx2 মডেল
153