UI-TARS-72B-DPO：突破38.1分的GUI交互新标杆
【免费下载链接】UI-TARS-72B-DPO项目地址: https://ai.gitcode.com/hf_mirrors/ByteDance-Seed/UI-TARS-72B-DPO
导语
字节跳动最新发布的UI-TARS-72B-DPO模型以38.1分的成绩刷新GUI（图形用户界面）交互模型性能纪录，首次实现AI系统像人类一样自主完成界面操作，标志着智能交互技术进入全新时代。
行业现状
随着大语言模型技术的快速迭代，AI与人类的交互方式正从文本对话向多模态交互演进。当前主流模型如GPT-4o、Claude 3.5等虽在视觉理解上取得突破，但在GUI交互领域仍面临三大核心挑战：界面元素精准定位困难、操作逻辑理解偏差、跨平台适应性不足。据行业研究显示，现有解决方案完成复杂GUI任务的平均成功率不足50%，严重制约了自动化办公、智能客服等场景的落地效果。
产品/模型亮点
UI-TARS-72B-DPO作为新一代原生GUI智能交互模型，通过三大创新突破重构AI界面交互能力：
首先，采用全栈式单模型架构，将感知、推理、定位和记忆四大核心能力集成于720亿参数的视觉语言模型（VLM）中，彻底摆脱传统模块化框架的流程限制。这种端到端设计使模型能像人类一样"看懂"界面并直接生成操作指令，无需人工预设规则。
其次，在多维度评估中创下历史新高。在ScreenSpot Pro基准测试中，UI-TARS-72B-DPO以38.1分的综合成绩超越GPT-4o（8.1分）和Claude Computer Use（17.1分），尤其在桌面端图标定位（15.7分）和网页文本识别（50.9分）等细分指标上实现量级突破。
更重要的是，该模型展现出强大的跨场景适应能力。在Android控制系统测试中，其任务成功率达到88.6%，能自主完成从社交软件消息发送到电商平台购物下单的全流程操作。在线环境评估显示，UI-TARS-72B-DPO在OSWorld场景中实现24.6%的任务完成率，较GPT-4o提升近5倍。
行业影响
UI-TARS-72B-DPO的问世将深刻改变三个核心领域：
在企业服务领域，该技术可大幅降低自动化流程部署成本。传统RPA（机器人流程自动化）方案需针对不同软件界面编写定制脚本，而UI-TARS支持零代码配置，使流程搭建效率提升80%以上。金融、电商等强交互行业有望率先受益，预计可减少30%的重复性人工操作。
智能设备交互方面，模型突破为物联网设备管理提供新思路。通过统一的GUI交互接口，AI系统能同时控制电脑、手机、智能家居等多终端，实现"一句话操控所有设备"的场景落地。测试数据显示，UI-TARS对未知应用的首次操作成功率达74.7%，远超行业平均水平。
在无障碍服务领域，该技术为视障人士使用数字产品提供全新可能。模型的高精准度界面识别能力（文本识别准确率94.8%）可转化为实时语音导航，帮助特殊群体独立完成复杂数字任务。
结论/前瞻
UI-TARS-72B-DPO以38.1分的标杆性成绩，不仅重新定义了GUI交互模型的技术标准，更构建了AI理解人类交互意图的全新范式。随着模型在多模态提示学习和环境动态适应能力上的持续优化，我们有理由相信，未来1-2年内，AI将逐步接管80%的标准化界面操作任务，推动人机协作进入"自然交互"新阶段。对于企业而言，及早布局基于UI-TARS的自动化解决方案，将成为提升运营效率的关键竞争优势。
【免费下载链接】UI-TARS-72B-DPO项目地址: https://ai.gitcode.com/hf_mirrors/ByteDance-Seed/UI-TARS-72B-DPO
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
