UI TARS 7B
1351°
ByteDance | 128,000トークンコンテキスト | 入力$0.10/M、出力$0.20/M。UI-TARS-1.5は、デスクトップインターフェース、ウェブブラウザ、モバイルシステム、ゲームを含むGUIベースの環境に最適化されたマルチモーダル視覚言語エージェントです。ByteDanceによって構築され、UI-TARSフレームワークに強化学習ベースの推論を組み合わせることで、仮想インターフェース全体で堅牢なアクション計画と実行を可能にします。このモデルは、OSworld、WebVoyager、AndroidWorld、ScreenSpotなどのさまざまなインタラクティブおよびグラウンディングベンチマークで最先端の結果を達成しています。また、多様なPokiゲームでの完璧なタスク完了を示し、Minecraftエージェントタスクでも従来モデルを上回っています。UI-TARS-1.5は推論中の思考分解をサポートし、バリアント間で強力なスケーリングを示し、特に1.5バージョンは以前の72Bおよび7Bチェックポイントの性能を大幅に上回っています。
このモデルのガイド
Ollama vs LM Studio (2026)：どのローカルAIアプリを使うべきか、それぞれが動かすトップモデルは？
ローカルAIに実際どれくらいのVRAMが必要？
オープンウェイト、オープンソース、API専用：実際に何ができるのか
GGUFファイルとは？量子化モデルの解説（Q4、Q8、fp8、NF4）
キャプテンのメモ
2026-10-13のメモ
UI-TARS-1.5 7Bは、ByteDanceが開発したオープンウェイトのマルチモーダルエージェントで、デスクトップアプリ、ブラウザ、モバイル画面、ゲームなどのグラフィカルインターフェースを操作するために設計されています。強化学習に基づく推論により、見たものを単に説明するだけでなく、複数ステップの行動を計画・実行できます。7Bパラメータながら、その実力は同社の以前の72BチェックポイントをいくつかのGUIベンチマークで上回るほどです。
得意分野
- OSworld、AndroidWorld、ScreenSpotのグラウンディングベンチマークでトップスコアを獲得
- デスクトップ、ブラウザ、モバイル、ゲームのインターフェースを自律的に操作
- 強化学習で訓練された推論により、行動前にステップを考慮
- Apache 2.0ライセンスでローカル実行、改変、商用展開が可能
- 7Bモデルながら、同社の以前の72Bモデルを主要タスクで上回る性能
注意点
- 主に英語対応で、多言語GUIサポートはByteDanceからの公式情報なし
- ローカルでエージェントとして動かすにはチャットモデルより設定が複雑で、GUIハーネスが必要
- コンテキストは128kトークンだが、多数のスクリーンショットをループするタスクではすぐに消費してしまう
試してみるプロンプト
ブラウザタスクの自動化
あなたはウェブブラウザを操作しています。Wikipediaにアクセスし、「reinforcement learning（強化学習）」を検索し、応用に関するセクションを見つけ、そのセクションの最初の文を返してください。クリックやキー入力の操作をすべて説明し、最後に答えを教えてください。
画面要素のグラウンディング
デスクトップアプリケーションのスクリーンショットを添付します。主要なアクションボタンの正確なピクセル座標を特定し、どのように見つけたか説明してください。その後、ファイル保存操作を完了するために次に取るべき行動を説明してください。
複数ステップのモバイルタスク
あなたはAndroidスマートフォンを操作しています。ホーム画面から設定アプリを開き、Wi-Fiに移動してオフに切り替えてください。各タップやスワイプを番号付きのステップでリストアップし、UIが確認ダイアログを要求しそうなポイントがあれば指摘してください。
比較する
- GPT-5.6 LunaAPI専用モデル1,050,000トークンのコンテキスト · $0.20/M 入力、$1.20/M 出力
- Muse Spark 1.3 ContributorAPI専用モデル1,048,576トークンのコンテキスト · $0.10/M 入力、$0.20/M 出力
- Claude Haiku 5.5API専用モデル1,000,000トークンのコンテキスト · $0.10/M 入力、$0.50/M 出力
- Gemini 2.5 Flash LiteAPI専用モデル1,048,576トークンのコンテキスト · $0.10/M 入力、$0.40/M 出力
bytedanceの他のテキストモデル
よくある質問
- UI-TARS-1.5 7Bをローカルで実行できますか？
- はい。ウェイトはApache 2.0ライセンスの下でオープンにされており、Hugging Faceでホストされているため、ご自身のハードウェアにダウンロードして実行可能です。ByteDanceはローカルでのエージェント利用を容易にするデスクトップアプリケーションラッパーもGitHubで公開しています。
- API利用の料金とコンテキストウィンドウは？
- 料金は入力トークン100万あたり0.10ドル、出力トークン100万あたり0.20ドルで、コンテキストウィンドウは128,000トークンです。
- UI-TARS-1.5 7Bは元のUI-TARSモデルとどう違いますか？
- 1.5バージョンは強化学習に基づく推論を追加し、タスクを分解して行動を計画してから実行できるようになりました。ByteDanceによれば、以前の7Bおよび72Bチェックポイントをベンチマークタスクで上回っています。
キャプテンの評価真剣なエージェントパイプラインにふさわしい希少な7Bモデルです。オープンウェイトで低コスト、GUIタスクにおいてははるかに大きなクローズドモデルに匹敵する競争力を持っています。
Hugging Faceのモデルカード
キャプテンはモデルの説明とモデルカードからこれらのメモを書いています。価格やコンテキストサイズは執筆時点の提供元のもので、変更されることがあります。
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.
このスコアの計算方法
このモデルはまだどのソースからも人気データがないため、リストを完全に保つために7,000°未満の仮の数値が割り当てられています。データのあるモデルより上位には決してなりません。内訳はソースが報告次第ここに表示されます。
用語集：ここで使われている用語
- ヒートスコア
- モデルが今どれだけ使われていて求められているかを示す1つの数字。0°から9,999°まで。ここで「最も熱い」と言われるすべてのリストはこれで並べられています。
- フロア
- 実データのあるすべてのモデルが7,000°からスタートする基準点。スケールは0°から9,999°までで、フロア以下はデータのないモデル用に確保されているので、データのあるモデルは必ず上位になります。フロアは全員共通で順位には影響しません。フロアを超えた度数が実際の評価です。
- ダウンロード相当数
- スコアがダウンロードとして扱うすべてのものを合計：ダウンロードそのもの、各トレントシーダーは1,000、各AI Horde画像と生成サイトでの実行は1としてカウント。
- 対数スケール
- 1ずつではなく10ずつ数えます：1,000から10,000ダウンロードに増えるのは、10,000から100,000に増えるのと同じ度数を加算。巨大なものが他を圧倒しないようにしています。
- いいね
- すべてのソースからのサムズアップといいね。対数スケールでダウンロードの半分の価値があります。
- 普及率
- 2回の計測の差からわかる、今の1日あたりのダウンロード数。ダウンロード項目の4分の1の重みです。
- 測定済みと推定
- 測定済みは、あるソースの2つの読み取り値が存在し、その差が実際のものであることを意味します。推定は、今日の合計だけがわかっていて、過去の値はモデルの寿命にわたって分配されていることを意味します。サイトはどちらを表示しているかを示します。
- シーダー
- トレント経由で他の人がダウンロードできるように重みのコピーをオンラインで保持している人、または同じことをするホストされたミラーのことです。それぞれが1,000ダウンロードとしてカウントされます。
- AI Horde
- 寄付されたコンピューターで無料で画像を生成するボランティアネットワークです。モデルで作成した画像の数は公開されており、それぞれが1ダウンロードとしてカウントされます。
- 生成サイト
- PixAI、SeaArt、Yodayoのように、自分のモデルのコピーをホストして人々が生成できるサイトです。これらのダウンロードはCivitaiのものと同じようにカウントされ、各生成実行が1ダウンロードとして数えられます。
- OpenRouterトークン
- ClaudeやGPTのようなAPI経由で提供されるテキストモデルはダウンロードする重みがなく、その利用はトークン数で測定されます。トークンとはOpenRouterを通じて読み書きされたテキストの断片で、OpenRouterは多くのアプリが利用するゲートウェイです。過去30日間のトークン数を10,000,000トークンごとに1ダウンロードとしてカウントします。出典：OpenRouter (openrouter.ai/rankings)、CC BY 4.0。
- 完全モデル（チェックポイント）
- 重みそのもので、単独で生成を行うファイルです。アドオンがこれに依存しているためボーナスがつきます。
- LoRAと埋め込み
- 他人の重みを特定のスタイル、キャラクター、コンセプトに向けて調整する小さなアドオンファイルです。単独では動作しません。
- ファミリーと重み
- モデルが基づいているベースで、SD 1.5、SDXL、Flux、Wanなどがあります。すべてのモデルはそのファミリーの重みのリリース日を継承します。
- 年齢
- ファミリーの重みがリリースされてからの経過時間に応じて減点されます：1年で150°、最大750°まで。古いダウンロードはリストの上位を凍結して積み上げられます。
- ファミリーブースト
- このサイトが現在推しているファミリーのLoRAに対する小さく制限された後押しで、常に内訳に表示されます。
- 代替スコア
- まだソースから報告がないモデルに与えられる安定した最低値で、リストが完全なままでいられます。データのあるモデルより上位には決してなりません。
- 新着！(猶予期間)
- 7日未満の新しいモデルはスコアの代わりに「新着！」と表示され、ランキングには入りません。スコアは初日から計算されますが、1日目のモデルは非常に急速に成長するため、猶予期間なしでは常に昨日リリースされたモデルが今週の#1になってしまいます。
- トレンド
- ある期間におけるモデルの成長が、同じ期間の典型的なモデルの成長と比べてどうかを示します。典型より速ければ上昇、遅ければ下降と読みます。
- 典型的なモデル
- カタログの真ん中にあたるモデルで、数値があるモデルの半分はこの期間により速く成長し、半分は遅く成長しています。
UI TARS 7B は Text / LLM ファミリー向けのテキストモデルで、オープンソース AI 画像・動画・テキストモデルの読み取り専用カタログ ModelTrends.ai に掲載されています。他の Text / LLM モデルと比較し、ヒートスコアでトレンドを確認できます。
モデルファミリーから探す
Text / LLM モデル
434
Anima モデル
528
Chroma モデル
19
Fibo モデル
2
Flux モデル
1,496
Flux 2 / Klein モデル
1,239
Flux 3 モデル
3
Moss モデル
3
Iris モデル
1
MiniMax H3 モデル
364
Hunyuan モデル
204
Ideogram モデル
20
Krea2 モデル
717
Qwen モデル
20
Qwen2 モデル
47
Ltx2 モデル
153