字节

字节发布UI-TARS视觉语言模型，能像人一样操控电脑界面，并在多项测试中击败GPT-4等对手。它具备感知、推理及行动能力，支持点击、输入等多种操作。UI-TARS通过SFT和DPO训练，在多个GUI代理基准测试中达到最佳成绩，还开源了桌面版应用。