UI TARS 7B
1351°
اجرای مدل
پیشنهادها / تبلیغات
ByteDance | زمینه متنی ۱۲۸,۰۰۰ توکن | ورودی ۰.۱۰ دلار به ازای هر میلیون، خروجی ۰.۲۰ دلار به ازای هر میلیون. UI-TARS-1.5 یک عامل چندرسانه‌ای بینایی-زبان است که برای محیط‌های مبتنی بر رابط کاربری گرافیکی بهینه شده است، شامل رابط‌های دسکتاپ، مرورگرهای وب، سیستم‌های موبایل و بازی‌ها. ساخته شده توسط ByteDance، این مدل بر اساس چارچوب UI-TARS با یادگیری تقویتی برای استدلال ساخته شده و برنامهریزی و اجرای قوی اقدامات در رابط‌های مجازی را ممکن می‌سازد. این مدل در مجموعه‌ای از معیارهای تعاملی و مبنا از جمله OSworld، WebVoyager، AndroidWorld و ScreenSpot نتایج پیشرفته‌ای کسب کرده است. همچنین تکمیل کامل…ByteDance | زمینه متنی ۱۲۸,۰۰۰ توکن | ورودی ۰.۱۰ دلار به ازای هر میلیون، خروجی ۰.۲۰ دلار به ازای هر میلیون. UI-TARS-1.5 یک عامل چندرسانه‌ای بینایی-زبان است که برای محیط‌های مبتنی بر رابط کاربری گرافیکی بهینه شده است، شامل رابط‌های دسکتاپ، مرورگرهای وب، سیستم‌های موبایل و بازی‌ها. ساخته شده توسط ByteDance، این مدل بر اساس چارچوب UI-TARS با یادگیری تقویتی برای استدلال ساخته شده و برنامهریزی و اجرای قوی اقدامات در رابط‌های مجازی را ممکن می‌سازد. این مدل در مجموعه‌ای از معیارهای تعاملی و مبنا از جمله OSworld، WebVoyager، AndroidWorld و ScreenSpot نتایج پیشرفته‌ای کسب کرده است. همچنین تکمیل کامل وظایف در بازی‌های متنوع Poki را نشان میدهد و در وظایف عامل Minecraft از مدلهای قبلی بهتر عمل میکند. UI-TARS-1.5 در طول استنتاج تفکیک فکر را پشتیبانی میکند و مقیاس‌پذیری قوی در نسخه‌های مختلف دارد، به طوری که نسخه ۱.۵ به طور قابل توجهی عملکرد نسخه‌های قبلی ۷۲B و ۷B را پشت سر می‌گذارد.
راهنماهای این مدل
Ollama در مقابل LM Studio (۲۰۲۶): کدام برنامه محلی هوش مصنوعی را استفاده کنیم و هر کدام کدام مدلهای برتر را اجرا می‌کنند
واقعاً چقدر VRAM برای هوش مصنوعی محلی نیاز دارم؟
وزن‌های باز در مقابل متن‌باز در مقابل فقط API: واقعاً چه کاری مجاز هستید انجام دهید
فایل GGUF چیست؟ مدلهای کوانتیزه شده توضیح داده شده (Q4، Q8، fp8، NF4)
یادداشت‌های کاپیتان
یادداشت‌ها از 2026-10-13
UI-TARS-1.5 7B یک عامل چندرسانه‌ای با وزن‌های باز از ByteDance است که برای کار با رابط‌های گرافیکی ساخته شده است: برنامه‌های دسکتاپ، مرورگرها، صفحه‌نمایش‌های موبایل و بازی‌ها. استدلال مبتنی بر یادگیری تقویتی به آن اجازه میدهد تا برنامهریزی و اجرای اقدامات چندمرحله‌ای را انجام دهد، نه فقط توصیف آنچه می‌بیند. با 7 میلیارد پارامتر، عملکردی فراتر از کلاس وزنی خود دارد و در چندین معیار GUI از چکپوینتهای قبلی 72 میلیاردی بهتر عمل میکند.
معروف به
- امتیازات برتر در معیارهای OSworld، AndroidWorld و ScreenSpot grounding
- عملکرد به عنوان عامل خودکار در رابط‌های دسکتاپ، مرورگر، موبایل و بازی
- تفکر مرحله به مرحله قبل از عمل، به لطف استدلال آموزش‌دیده با یادگیری تقویتی
- مجوز Apache 2.0 — اجرای محلی، تغییر و استقرار تجاری
- اندازه 7 میلیاردی که در وظایف کلیدی از مدل 72 میلیاردی قبلی سازنده بهتر عمل میکند
مراقب باشید
- عمدتاً انگلیسی؛ پشتیبانی چندزبانه GUI توسط ByteDance مستند نشده است.
- اجرای محلی به عنوان یک عامل نیاز به تنظیمات بیشتری نسبت به مدل چت دارد — به یک چارچوب GUI نیاز دارید.
- زمینه 128 هزار توکن است، اما وظایف عاملی که روی چندین اسکرین‌شات حلقه می‌زنند می‌تواند سریع آن را مصرف کند.
دستورات برای امتحان
خودکارسازی وظیفه مرورگر
شما در حال کنترل یک مرورگر وب هستید. به ویکی‌پدیا بروید، 'reinforcement learning' را جستجو کنید، بخش مربوط به کاربردها را پیدا کنید و اولین جمله آن بخش را بازگردانید. هر کلیک و کلید فشرده شده را توضیح دهید، سپس پاسخ نهایی را بدهید.
تعیین موقعیت عنصر صفحه
یک اسکرین‌شات از یک برنامه دسکتاپ پیوست کرده‌ام. مختصات دقیق پیکسل دکمه اصلی عملیات را شناسایی کنید، توضیح دهید چگونه آن را پیدا کردید و شرح دهید که برای تکمیل عملیات ذخیره فایل چه اقدامی بعدی انجام می‌دهید.
وظیفه چندمرحله‌ای موبایل
شما در حال کار با یک گوشی اندروید هستید. از صفحه اصلی شروع کنید، برنامه تنظیمات را باز کنید، به بخش Wi-Fi بروید و آن را خاموش کنید. هر ضربه یا کشیدن را به صورت مرحله‌ای شماره‌گذاری کنید و هر جایی که ممکن است رابط کاربری نیاز به تایید داشته باشد را علامت بزنید.
مقایسه با
- GPT-5.6 Lunaمدل فقط APIمتن زمینه 1,050,000 توکن · ورودی $0.20/M، خروجی $1.20/M
- Muse Spark 1.3 Contributorمدل فقط APIمتن زمینه 1,048,576 توکن · ورودی $0.10/M، خروجی $0.20/M
- Claude Haiku 5.5مدل فقط APIمتن زمینه 1,000,000 توکن · ورودی $0.10/M، خروجی $0.50/M
- Gemini 2.5 Flash Liteمدل فقط APIمتن زمینه 1,048,576 توکن · ورودی $0.10/M، خروجی $0.40/M
مدلهای متنی بیشتر از bytedance
سؤالات متداول
- آیا میتوانم UI-TARS-1.5 7B را به صورت محلی اجرا کنم؟
- بله — وزنها تحت مجوز Apache 2.0 باز هستند و روی Hugging Face میزبانی شدهاند، بنابراین میتوانید آنها را دانلود و روی سختافزار خود اجرا کنید. ByteDance همچنین یک برنامه دسکتاپ روی GitHub منتشر کرده تا استفاده محلی از عامل را آسانتر کند.
- هزینه استفاده از طریق API چقدر است و پنجره زمینه چقدر است؟
- قیمتگذاری 0.10 دلار به ازای هر میلیون توکن ورودی و 0.20 دلار به ازای هر میلیون توکن خروجی است، با پنجره زمینه 128,000 توکن.
- UI-TARS-1.5 7B چگونه با مدلهای اصلی UI-TARS متفاوت است؟
- نسخه 1.5 استدلال مبتنی بر یادگیری تقویتی را اضافه میکند که به مدل اجازه میدهد وظایف را تجزیه کند و قبل از اجرا برنامهریزی کند؛ ByteDance گزارش میدهد که در معیارهای کلیدی از چکپوینتهای قبلی 7B و 72B بهتر عمل میکند.
حکم کاپیتانیک مدل 7 میلیاردی نادر که جایگاه خود را در خطوط لوله عامل‌های جدی کسب میکند — وزن‌های باز، هزینه پایین و واقعاً رقابتی با رقبای بزرگ‌تر بسته در وظایف GUI.
کارت مدل در Hugging Face
کاپیتان این یادداشت‌ها را از توضیحات مدل و کارت مدل نوشته است. قیمت‌ها و اندازه متن زمینه مربوط به ارائه‌دهنده در زمان نوشتن است و ممکن است تغییر کند.
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.
چطور این امتیاز جمع می‌شود
این مدل هنوز داده محبوبیتی از هیچ منبعی ندارد، پس یک عدد جایگزین زیر 7,000° دارد که فهرست‌ها را کامل نگه می‌دارد. هیچ‌وقت بالاتر از مدلی با داده قرار نمی‌گیرد. تجزیه و تحلیل به محض گزارش منبع اینجا ظاهر می‌شود.
واژه‌نامه: اصطلاحات استفاده شده اینجا
- امتیاز حرارت
- یک عدد برای اینکه چقدر یک مدل الان استفاده و خواسته می‌شود، از 0° تا 9,999°. هر فهرستی در این سایت که می‌گوید داغ‌ترین‌ها بر اساس آن مرتب شدهاند و هیچ چیز دیگری.
- کف
- 7,000° که هر مدل با داده واقعی از آن شروع میکند. مقیاس از 0° تا 9,999° است؛ بخشی که زیر کف است برای جایگزین‌ها (مدل‌هایی بدون داده) محفوظ است، تا مدلی با داده همیشه بالاتر از مدلی بدون داده باشد. کف برای همه یکسان است و هیچ تصمیمی نمی‌گیرد؛ درجه‌های بالاتر اندازه‌گیری هستند.
- معادل‌های دانلود
- هر چیزی که امتیاز به عنوان دانلود حساب میکند، جمع شده: خود دانلودها، هر تورنت سیدر به عنوان 1,000، هر تصویر AI Horde و هر اجرا روی سایت تولید به عنوان یکی.
- مقیاس لگاریتمی
- شمارش به صورت ده‌تایی، نه یکی‌یکی: رفتن از 1,000 به 10,000 دانلود همان درجه‌ها را اضافه میکند که رفتن از 10,000 به 100,000. این باعث می‌شود غول‌ها همه چیز را نبلعند.
- لایک‌ها
- تایید و لایک از هر منبع، هر کدام نصف وزن یک دانلود در مقیاس لگاریتمی.
- نرخ پذیرش
- چند دانلود در روز یک مدل همین الان می‌گیرد، از تفاوت بین دو خوانش یک منبع. یک چهارم وزن بخش دانلود.
- اندازه‌گیری شده و تخمینی
- اندازه‌گیری شده یعنی دو خوانش از یک منبع وجود دارد و تفاوت واقعی است. تخمینی یعنی فقط مجموع امروز معلوم است و گذشته به صورت مدل در طول عمر آن پخش شده؛ سایت می‌گوید کدام را نشان میدهد.
- سیدر
- کسی که یک نسخه از وزنها را به صورت آنلاین نگه می‌دارد تا دیگران از طریق تورنت دانلود کنند، یا یک آینه میزبانی شده که همین کار را میکند. هر کدام به اندازه ۱۰۰۰ دانلود حساب می‌شود.
- AI Horde
- یک شبکه داوطلبانه که تصاویر را به صورت رایگان روی کامپیوترهای اهدایی تولید میکند. تعداد تصاویری که با یک مدل ساخته شده عمومی است و هر کدام به عنوان یک دانلود حساب می‌شود.
- سایت‌های تولید
- سایت‌هایی که نسخه‌های خودشان از یک مدل را میزبانی می‌کنند و به مردم اجازه می‌دهند با آن تولید کنند، مثل PixAI، SeaArt و Yodayo. دانلودهای آنها مثل Civitai حساب می‌شود و هر بار تولید به عنوان یک دانلود محسوب می‌شود.
- توکن‌های OpenRouter
- یک مدل متنی که از طریق API ارائه می‌شود، مانند Claude یا GPT، وزن‌هایی برای دانلود ندارد، بنابراین استفاده آن بر اساس توکن‌ها اندازه‌گیری می‌شود: قطعات متنی که در ۳۰ روز گذشته از طریق OpenRouter خوانده و نوشته است. هر 10,000,000 توکن به عنوان یک دانلود حساب می‌شود. منبع: OpenRouter (openrouter.ai/rankings)، CC BY 4.0.
- مدل کامل (چک‌پوینت)
- خود وزنها، فایلی که به تنهایی تولید میکند. یک امتیاز اضافی می‌گیرد چون افزونه‌ها به آن وابسته‌اند.
- LoRA و امبدینگ
- فایل‌های کوچک افزونه که وزن‌های دیگران را به سمت یک سبک، شخصیت یا مفهوم هدایت می‌کنند. نمی‌توانند به تنهایی اجرا شوند.
- خانواده و وزنها
- پایه‌ای که مدل روی آن ساخته شده، مثل SD 1.5، SDXL، Flux یا Wan. هر مدل تاریخ انتشار وزن‌های خانواده‌اش را به ارث می‌برد.
- سن
- درجه‌هایی که به خاطر مدت زمان گذشته از انتشار وزن‌های خانواده کم می‌شود: ۱۵۰ درجه در سال، تا ۷۵۰ درجه. دانلودهای قدیمی که سال‌ها فرصت جمع شدن داشتند را نگه می‌دارد تا بالای لیست ثابت بمانند.
- تقویت خانواده
- یک فشار کوچک و محدود برای LoRAهای یک خانواده که این سایت الان به جلو می‌برد، همیشه در جزئیات لیست شده.
- امتیاز جایگزین
- یک عدد پایدار زیر حداقل که به مدلی داده می‌شود که هنوز هیچ منبعی درباره‌اش گزارش نداده، تا لیست‌ها کامل بمانند. هیچ‌وقت بالاتر از مدلی با داده رتبه نمی‌گیرد.
- جدید! (دوره گذار)
- مدلی که کمتر از 7 روز از عمرش گذشته باشد، به جای امتیاز، عبارت جدید! را نشان میدهد و در رتبه‌بندی جایگاهی ندارد. امتیاز آن از روز اول محاسبه می‌شود، اما مدلی که یک روزه است سریع‌تر از هر چیز دیگری رشد میکند، بنابراین بدون این انتظار، مدل #1 هفته همیشه مدلی بود که دیروز منتشر شده بود نه مدلی که یک هفته دوام آورده باشد.
- روند
- رشد یک مدل در یک دوره چطور نسبت به رشد معمول مدل‌ها در همان دوره است. سریع‌تر از معمول یعنی افزایش، کندتر یعنی کاهش.
- مدل معمولی
- وسط فهرست: نصف مدل‌ها با عددی که دارند سریع‌تر رشد کردند و نصف کندتر.
UI TARS 7B یک مدل متنی برای خانواده Text / LLM است که در ModelTrends.ai، کاتالوگ فقط‌خواندنی مدلهای هوش مصنوعی متن‌باز تصویر، ویدئو و متن، فهرست شده است. آن را با دیگر مدلهای Text / LLM مقایسه کنید و امتیاز داغی آن را ببینید.
مرور بر اساس خانواده مدل
مدلهای Text / LLM
434
مدلهای Anima
528
مدلهای Chroma
19
مدلهای Fibo
2
مدلهای Flux
1,496
مدلهای Flux 2 / Klein
1,239
مدلهای Flux 3
3
مدلهای Moss
3
مدلهای Iris
1
مدلهای MiniMax H3
364
مدلهای Hunyuan
204
مدلهای Ideogram
20
مدلهای Krea2
717
مدلهای Qwen
20
مدلهای Qwen2
47
مدلهای Ltx2
153