GitHub 新热榜榜克拉玛依铝皮保温，来自字节。

这波自研硬核时刻不是别的——

恰是豆包手机的中枢维持，GUI Agent 模子UI-TARS。

力压 OpenAI 官 Skills，开源登顶榜，冲破 26k Star！

UI-TARS 的中枢是个多模态 AI 智能体，你只有通过天然言语教唆——

也便是说句东谈主话，就能让它我方点鼠标、敲键盘、拖动转动、翻页浏览，在浏览器和各式软件里帮你完成整套复杂操作。

主要包含了 Agent TARS 和 UI-TARS-desktop 两个形态。

Agent TARS 支手键式开箱即用的 CLI，不错在有界面的 Web UI 环境实行，也能在界面的工作器环境运行；

UI-TARS-desktop 则是个桌面利用关键，主要帮你操作腹地电脑和浏览器。

纯视觉驱动

UI-TARS 这种 GUI Agent 的中枢逻辑其实便是五个字——纯视觉驱动。

纯视觉有啥特质呢？

从传统 RPA 这类自动化器具来看，它们要想干活儿就得去扒复杂的网页源码、记控件编号，况且旦这些界面稍稍改点，剧本就凯旋报废了。

纯视觉便是说，靠内置的视觉大模子，AI 就能凯旋像东谈主眼样不雅察屏幕。

非论软件有莫得盛开 API、非论界面有多复杂，只有你能看清菜单在哪、按钮在哪，它就也能，然后帮你操作。

如若有一又友想体验，部署起来也相等苟简，只需要三步。

步，查验有莫得装置Node.js和Chrome，没装置 Node.js 的话，要装置个>=22 的版块。

查验不错用如下号召：

node -v

如若莫得还莫得装置，不错用 nvm 先装置下：

# Install Node.js LTS

nvm install --lts

# Switch to Node.js LTS

nvm use --lts

二步，装置 Agent TARS。

新版：

npm install @agent-tars/cli@latest -g

公测版：

npm install @agent-tars/cli@next -g克拉玛依铝皮保温

三步，选拔模子，需要 API，面前 Agent TARS 可兼容 Seed1.5-VL、claude-3.7-sonnet 和 gpt-4o。

agent-tars

--provider volcengine

--model doubao-1-5-thinking-vision-pro-250428

--apiKey {apiKey}

或

agent-tars

--provider anthropic

--model claude-3-7-sonnet-latest

--apiKey {apiKey}

或

agent-tars

--provider openai

--model gpt-4o

--apiKey {apiKey}

选完模子后，出现如下界面就示意部署完成啦！

然后咱们上头框选的引导，即可开 Web 用户界面。

接下来就不错对它发！号！施！令！了。

豆包手机天然时成为了风光的爆款，电脑版当今登顶了开源榜，但这项时刻其实早在年前就启动布局了。

UI-TARS 的中枢诡计是让 Agent 真确具备感知、动作、理、操心四大智商。

2025 年 1 月和清华作开源，成为国产纯视觉 GUI Agent 中个在基准测试对标并越 GPT-4o 的形态。

接着它就启动了路狂飙进化。

初代凭借 600 万质料教程数据注入的度念念考智商，以及的统动作空间，让 AI 像东谈主类样看懂并操作界面，在多项 SOTA 榜单上插旗。

短短 3 个月后，又迎来了 UI-TARS-1.5。

让 Agent 在出手前先多想几步，通过 Inference-time Scaling 预判后果，尤其在 GUI 定位任务上刷新了行业记录。

到了 9 月，UI-TARS-2 的出现将智商拉满，铝皮保温成为豆包手机的底层时刻。

它针对数据瓶颈、多轮 RL 不稳、纯 GUI 局限、环境前后仰四大痛点，通过"数据飞轮"让模子和数据相互喂养进化。

不再局限于单纯的与滑动，而是通了文献系统与沙盒平台，将浏览器、号召行、器具调用全量整。

几轮迭代下来，UI-TARS 照旧成为火的开源多模态 Agent 之。

走"前门"的 GUI Agent

说到 Agent、GUI Agent，就在几天前，梦想汽车 CEO 李想的条一又友圈也在科技圈引起柔和。

他指出 2025 年具冲破的三个风光居品鉴别是 Claude Code、豆包手机、Manus；

而 2026 年个月就出现了三个风光的居品：OpenClaw、MoltBook、Chrome Gemini。

不错说，被点名的 6 个居品，有 5 个齐和 Agent 凯旋关连，致使有 3 个齐是 GUI Agent。

（如若把 Claude Code 看作 Coding Agent，也不错说是 6 个……）

豆包手机：手机里的 GUI Agent，凯旋让 AI 像东谈主样看屏、、切换 APP；

OpenClaw：电脑里的 GUI Agent，不错操作利用关键、贬责文献、通过通信器具接纳教唆实行复杂任务；

Chrome Gemini：浏览器里的 GUI Agent，模拟东谈主类完成网页跳转、信息索要、表单填写等操作。

这三款居品的底层逻辑致，齐是纯视觉驱动的端侧交互实行门道。

在输入上，不读取 APP/ 网页 / 软件里面的空间 ID、源码、独到接口等，统截取屏幕像素图像算作唯输入，靠多模态视觉模子识别界面元素；

在实行上，不调用 API 完成，凯旋模拟东谈主的交互行径进行、滑动、窗口切换，和真东谈主操作的系统进口致；

在兼容逻辑上，非论诡计利用是否盛开 API、是否老旧闭源、是否加密，只有屏幕能暴露、东谈主能操作，它就能实行。

再说说另外两个。

Manus 是云霄全自主通用 Agent，不靠纯视觉模拟界面操作，先调用 API 与器具链自主拆解复杂任务，在云霄沙箱完身分析、处理、生周全经由，凯旋托付终恶果，不错说是注复杂任务闭环的数字职工。

MoltBook 则吵嘴实行类 Agent 载体，不操作界面、不调用 API 完成实用任务，而是让千般 Agent 自主发帖、互动、产生内容，是不带物理操作，纯方案层的自主 Agent 行径。

不错说，这几个居品看似各有域，却共同指向个中枢问题——

怎样让 AI 真确"出手"帮东谈主类干活？

GUI Agent 们选拔"走前门"，凯旋看屏模拟操作，冲破阻滞生态的壁垒；

也有的靠灵敏酌量和器具链闭环来托付恶果；

致使有的把 Agent 们向我方的全国，放大 AI 之间的聚会。

于是李想在两天后又发了条有道理的不雅点：

原来计 Agent 这类 AI 器具会缩凡人与东谈主之间的智商差距，骨子上却是十倍、百倍地放大了差距。

GitHub 引导：https://github.com/bytedance/UI-TARS-desktop

—  宽贷 AI 居品从业者共建  —

� �「AI 居品常识库」是量子位智库基于遥远居品库跟踪和用户行径数据出的飞书常识库，旨在成为 AI 行业从业者、投资者、探究者的中枢信息关节与方案支手平台。

键柔和 � � 点亮星标

科技前沿线路逐日见克拉玛依铝皮保温