---
title: "豆包1.5·UI-TARS – 字节豆包推出的 GUI Agent 模型"
url: "https://paooo.com/aigc-news/20295/"
author: "Prompt 语宙研究院"
published_at: "2026-06-08T16:02:52+08:00"
updated_at: "2026-06-08T16:02:52+08:00"
categories: "AIGC 资讯"
tags: "AI办公效率, AI智能体, 豆包, 豆包大模型"
source: "Prompt 语宙 (https://paooo.com)"
ai_tools_directory: "语宙 AI 导航 (https://ai.paooo.com)"
---

# 豆包1.5·UI-TARS – 字节豆包推出的 GUI Agent 模型

> 来源：[Prompt 语宙 (paooo.com)](https://paooo.com/aigc-news/20295/) · 作者：Prompt 语宙研究院 · 发布时间：2026-06-08

## AI 30 秒核心看点 (TL;DR)

- 将视觉理解、推理决策与动作执行合并到单一模型，面向GUI任务端到端自动化。
- 支持多目标、小目标框定位与点定位，可用于定位计数、内容描述等界面识别任务。
- 已上线火山方舟平台，适合自动化办公、软件测试、智能客服与机器人交互。

## 豆包1.5·UI-TARS是什么

豆包1.5·UI-TARS是字节豆包推出的面向图形界面交互（GUI）的Agent模型。模型基于感知、推理和动作执行等类人能力，与图形界面进行连续、流畅的交互。模型将视觉理解、逻辑推理、界面元素定位和操作整合在单一模型中，无需预定义工作流程或人工规则，实现端到端的任务自动化。豆包1.5·UI-TARS 已在火山方舟平台上线。

## 豆包1.5·UI-TARS的主要功能

- **图形界面交互能力**：基于感知、推理和动作执行，与图形用户界面进行连续、流畅的交互，完成复杂的任务。

- **视觉理解与定位**：理解屏幕上的视觉信息，支持多目标、小目标的框定位和点定位，进行定位计数、描述定位内容等。

- **逻辑推理与决策**：结合视觉信息和任务指令，进行逻辑推理，生成合理的操作步骤。

- **高执行效率**：基于方舟豆包大模型推理服务，全网最高吞吐，初始500w TPM，极致的推理延迟，TPOT 30ms。

- **原生GUI Agent**：无需预定义流程或人工规则，实现端到端的自动化GUI交互任务执行。

## 豆包1.5·UI-TARS的技术原理

- **视觉大模型（VLM）**：模型基于强大的视觉大模型，理解和处理图形界面中的视觉信息，包括图像、文本、图标等。

- **多模态融合**：将视觉感知、逻辑推理和动作执行能力集成到一个模型中，实现多模态信息的融合处理。

- **端到端学习**：基于大量的标注数据和强化学习，模型学习从任务输入到操作输出的端到端映射，无需人工定义规则。

## 豆包1.5·UI-TARS的项目官网

- **项目官网**：[https://www.volcengine.com/docs](https://www.volcengine.com/docs/82379/1536429?utm_source=ai-bot.cn)

## 豆包1.5·UI-TARS的应用场景

- **自动化办公**：自动处理文档、表格、邮件等任务，提高效率。

- **软件测试**：模拟用户操作，检测软件问题，提升质量。

- **智能客服**：实时解答用户问题，提供操作指导。

- **机器人交互**：指导机器人完成复杂操作，应用在工业和物流。

## 常见问题解答 (FAQ)

### 豆包1.5·UI-TARS是什么模型？
豆包1.5·UI-TARS是字节豆包推出的GUI Agent模型，面向图形界面交互任务。它把视觉理解、逻辑推理、界面定位和操作执行整合在一起，可直接完成端到端自动化任务。

### 豆包1.5·UI-TARS能做哪些GUI任务？
它可用于自动化办公、软件测试、智能客服和机器人交互等场景，支持对屏幕元素进行定位、计数、描述，并根据任务指令生成连续操作步骤。

### 豆包1.5·UI-TARS的技术特点是什么？
其核心特点是基于视觉大模型与多模态融合，把感知、推理和动作执行统一到一个模型中，并通过端到端学习减少对预定义流程和人工规则的依赖。

---
探索 2,800+ 全球实用 AI 工具与官方直达入口：[语宙 AI 导航 (https://ai.paooo.com/)](https://ai.paooo.com/)
