我可以本地运行 UI-TARS-1.5 7B 吗？

字节跳动 | 128,000 token context | $0.10/M 输入，$0.20/M 输出。UI-TARS-1.5 是一个多模态视觉语言代理，针对基于 GUI 的环境进行了优化，包括桌面界面、网页浏览器、移动系统和游戏。由字节跳动构建，基于 UI-TARS 框架，结合强化学习推理，实现了在虚拟界面上的强大动作规划和执行能力。该模型在多个交互和定位基准测试中取得了最先进的成绩，包括 OSworld、WebVoyager、AndroidWorld 和 ScreenSpot。它还在各种 Poki 游戏中实现了完美的任务完成率，并在 Minecraft 代理任务中优于之前的模型。UI-TARS-1.5 支持推理过程中的思维分解，并在不同变体中表现出强大的扩展性，1.5 版本显著超越了早期的 72B 和 7B 检查点性能。

本模型的指南

Ollama 与 LM Studio（2026）：选择哪个本地 AI 应用，以及各自支持的顶级模型

本地AI到底需要多少显存？

开放权重 vs 开源 vs 仅API：你到底能做什么

什么是 GGUF 文件？量化模型详解（Q4、Q8、fp8、NF4）

全部指南

船长笔记

由 Captain 撰写，本站编辑

2026-10-13 的笔记

UI-TARS-1.5 7B 是字节跳动开源权重的多模态代理，专为操作图形界面设计：桌面应用、浏览器、移动屏幕和游戏。基于强化学习的推理能力使其能够规划并执行多步操作，而不仅仅是描述所见内容。7B 参数量在同类中表现出色，在多个 GUI 基准测试中优于早期的 72B 检查点。

以……著称

在 OSworld、AndroidWorld 和 ScreenSpot 定位基准测试中获得最高分
作为自主代理操作桌面、浏览器、移动和游戏界面
得益于强化学习训练的推理，先思考步骤再行动
Apache 2.0 许可——可本地运行、修改并商业部署
7B 规模在关键任务上超越了厂商早期的 72B 模型

注意

主要支持英语；字节跳动未公开多语言 GUI 支持情况。
本地作为代理运行需要比聊天模型更多的设置——需要 GUI 绑定。
上下文长度为 128k 令牌，但循环处理多张截图的代理任务可能很快耗尽。

最适合

与……比较

GPT-5.6 Luna
仅限API模型
1,050,000 令牌上下文 · $0.20/M 输入，$1.20/M 输出
Muse Spark 1.3 Contributor
仅限API模型
1,048,576 令牌上下文 · $0.10/M 输入，$0.20/M 输出
Claude Haiku 5.5
仅限API模型
1,000,000 令牌上下文 · $0.10/M 输入，$0.50/M 输出
Gemini 2.5 Flash Lite
仅限API模型
1,048,576 令牌上下文 · $0.10/M 输入，$0.40/M 输出

来自 bytedance 的更多文本模型

常见问题

我可以本地运行 UI-TARS-1.5 7B 吗？: 可以——权重在 Apache 2.0 许可下开源，托管于 Hugging Face，你可以下载并在自己的硬件上运行。字节跳动还在 GitHub 发布了桌面应用包装器，方便本地代理使用。
通过 API 使用的费用是多少？上下文窗口多大？: 价格为每百万输入令牌 0.10 美元，每百万输出令牌 0.20 美元，上下文窗口为 128,000 令牌。
UI-TARS-1.5 7B 与原始 UI-TARS 模型有何不同？: 1.5 版本增加了基于强化学习的推理，允许模型在执行前分解任务并规划动作；字节跳动报告称其在基准任务上优于早期的 7B 和 72B 检查点。

船长评语
少有的 7B 级模型，能胜任严肃的代理流水线——开源权重、低成本，并且在 GUI 任务上真正能与更大规模的闭源对手竞争。

Hugging Face 上的模型卡

船长根据模型自身描述和模型卡撰写这些笔记。价格和上下文大小为撰写时提供商的数据，可能会变动。

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.

Change colors / personalize / get code

Not this creator?

Get your own badge

这个评分是怎么计算的

这个模型还没有任何来源的流行度数据，所以它用一个低于 7,000° 的替代数值来保持列表完整。它永远不会排在有数据的模型前面。一旦有来源报告数据，分解就会显示在这里。

术语表：这里用到的术语

热度得分: 一个数字，表示模型当前的使用和需求程度，范围从0°到9,999°。本站所有标注为最热门的榜单都按这个分数排序，别无他物。
基准线: 所有有真实数据的模型起始于7,000°。分数范围是0°到9,999°；基准线以下的部分保留给无数据的替代模型，这样有数据的模型总是排在无数据模型之上。基准线对所有人相同，不影响排名；超过基准线的度数才是实际测量值。
下载等价量: 得分中当作下载计算的所有项目总和：下载本身，每个种子上传者算1,000，每个AI Horde图片和每次生成网站的运行算一个。
对数刻度: 以十为单位计数，而不是以一为单位：从1,000到10,000下载增加的热度和从10,000到100,000增加的热度相同。这样可以防止巨头压倒一切。
点赞: 来自所有来源的点赞和竖起大拇指，每个点赞在对数刻度上价值半个下载。
采用率: 模型当前每天的下载次数，基于两次读数的差值。权重是下载项的四分之一。
测量与估算: 测量表示有两个来源的读数，且差异是真实的。估算表示只知道今天的总数，过去的数据是根据模型的生命周期分配的；网站会说明显示的是哪种。
做种者: 指那些在线保存权重副本供他人通过种子下载的人，或者提供同样服务的托管镜像。每个做种者相当于1000次下载。
AI Horde: 一个志愿者网络，在捐赠的电脑上免费生成图片。它用某个模型生成的图片数量是公开的，每张图片算作一次下载。
生成网站: 托管自己模型副本并允许用户生成的站点，比如PixAI、SeaArt和Yodayo。它们的下载计数和Civitai一样，每次生成算一次下载。
OpenRouter 令牌: 通过API提供的文本模型，如Claude或GPT，没有权重需要下载，因此其使用量以令牌计量：过去30天内通过OpenRouter（一种许多应用使用的网关）读取和生成的文本片段。每10,000,000个令牌计为一次下载。来源：OpenRouter (openrouter.ai/rankings)，CC BY 4.0。
完整模型（检查点）: 权重文件本身，是能独立生成的文件。它会获得额外加分，因为附加组件依赖它。
LoRA和嵌入: 小型附加文件，用来引导别人的权重朝向某种风格、角色或概念。它们不能单独运行。
家族与权重: 模型构建所基于的基础，比如SD 1.5、SDXL、Flux或Wan。每个模型继承其家族权重的发布日期。
年龄: 根据家族权重发布多久，扣除的度数：每年150°，最多750°。它保留了那些积累了多年下载量的老模型，防止它们被挤出榜单顶部。
家族加成: 对当前网站重点推广的某个家族的LoRA给予的小幅度限制性加分，总是在分数细目中列出。
替代分数: 给还没有任何来源报告的模型一个稳定的最低分数，这样榜单才完整。它永远不会高于有数据的模型。
新模型！（宽限期）: 不到7天的新模型显示“新模型！”而非分数，且不参与排名。其分数从第一天开始计算，但一天大的模型增长最快，若不等待，周榜#1总是昨天刚发布的模型，而非持续一周的。
趋势: 模型在某段时间内的增长与同一时间段内典型模型增长的对比。比典型快表示上升，比典型慢表示下降。
典型模型: 目录的中间值：一半有数据的模型增长比它快，一半比它慢。