UI-TARS-Desktop 深度解析：ByteDance 如何用多模态 AI Agent 重新定义 GUI 自动化

一、GUI 自动化的圣杯：为什么现有方案都不够好？

GUI 自动化测试、RPA（机器人流程自动化）、桌面自动化——这些需求存在了二十年，但至今没有完美的解决方案。

传统方案的痛点：

核心问题：传统工具都是「盲人摸象」——它们知道「点击坐标 (100,200)」或「点击 ID=submit 的按钮」，但不理解界面的语义。

如果一个按钮的位置变了，或者文字从「提交」变成「确认」，传统工具就失效了。

UI-TARS-Desktop 的突破：用**视觉语言模型（VLM）**让 AI 直接「看懂」屏幕，然后用自然语言指令控制电脑。

传统方式：
  用户：「打开 VS Code 并创建一个 Python 文件」
  → 需要写 20 行 PyAutoGUI 代码（坐标、等待、异常处
  → 换个分辨率就失效

UI-TARS-Desktop 方式：
  用户：「打开 VS Code 并创建一个 Python 文件」
  → AI 自己理解屏幕内容，找到 VS Code 图标，点击，等待加载，
     点击「新建文件」，输入文件名，保存
  → 完全自适应，分辨率无关

二、UI-TARS-Desktop 架构全景

UI-TARS-Desktop 是 ByteDance 开源的多模态 AI Agent 技术栈，包含两个核心项目：

UI-TARS-Desktop 技术栈
├── Agent TARS（通用多模态 AI Agent 栈）
│   ├── CLI 工具（@agent-tars/cli）
│   ├── Web UI（浏览器界面）
│   ├── Server 模式（无头执行）
│   └── MCP 工具集成
└── UI-TARS-Desktop（原生 GUI Agent 应用）
    ├── 本地电脑操作（Local Operator）
    ├── 远程电脑操作（Remote Operator）
    ├── 浏览器操作（Browser Operator）
    └── UI-TARS 模型驱动

2.1 Agent TARS：多模态 AI Agent 栈

Agent TARS 是一个通用的多模态 AI Agent 栈，它将 GUI Agent 和视觉能力带到你的终端、电脑、浏览器和产品中。

核心特性：

1. 开箱即用的 CLI：

# 全局安装（需要 Node.js >= 22）
npm install @agent-tars/cli@latest -g

# 使用火山引擎 Doubao 模型
agent-tars --provider volcengine \
  --model doubao-1-5-thinking-vision-pro-250428 \
  --apiKey YOUR_API_KEY

# 使用 Anthropic Claude
agent-tars --provider anthropic \
  --model claude-3-7-sonnet-latest \
  --apiKey YOUR_API_KEY

2. 混合浏览器 Agent：

   • GUI Agent 模式：用视觉模型直接「看懂」网页，点击按钮
   • DOM 模式：传统 DOM 选择器（更精确）
   • 混合策略：智能选择最优模式

3. Event Stream 协议：

   • 驱动 Context Engineering（上下文工程）
   • 支持数据流跟踪和调试（Event Stream Viewer）
   • 协议驱动，与 Agent UI 深度集成

4. MCP 集成：

   • 内核基于 MCP（Model Context Protocol）
   • 支持挂载 MCP Servers 连接现实世界工具
   • 与 Claude Desktop 的 MCP 生态兼容

2.2 UI-TARS-Desktop：原生 GUI Agent 应用

UI-TARS-Desktop 是一个桌面应用程序，提供基于 UI-TARS 模型的原生 GUI Agent。

支持的操作：

技术亮点：

1. 视觉语言模型驱动：

   • 使用 UI-TARS 专用模型（为 GUI 控制优化的 VLM）
   • 支持 Seed-1.5-VL/1.6 系列模型（ByteDance 自研多模态大模型）
   • 截图 + 视觉理解 + 操作决策 端到端完成

2. 跨平台支持：

   • Windows（原生支持）
   • macOS（原生支持，包括 Apple Silicon）
   • Linux（通过 X11/Wayland）
   • 浏览器（远程操作）

3. 隐私和安全：

   • 完全本地处理（截图、识别、决策都在本地）
   • 只有模型 API 调用需要网络
   • 支持私有化部署（Remote Operator）

三、Agent TARS CLI 深度解析

3.1 安装与配置

Agent TARS CLI 是一个 TypeScript 实现的命令行工具，基于 @agent-tars/cli 包：

# 方式一：全局安装
npm install @agent-tars/cli@latest -g
agent-tars --version  # 检查版本（当前最新 v0.3.0）

# 方式二：使用 npx（无需安装）
npx @agent-tars/cli@latest

配置多模型提供商：

Agent TARS 支持多种模型提供商，通过 --provider 和 --model 参数切换：

# 1. Anthropic Claude（推荐，视觉能力强）
agent-tars --provider anthropic \
  --model claude-3-7-sonnet-latest \
  --apiKey sk-ant-xxx

# 2. 火山引擎 Doubao（ByteDance 自研，成本低）
agent-tars --provider volcengine \
  --model doubao-1-5-thinking-vision-pro-250428 \
  --apiKey YOUR_VOLCENGINE_KEY

# 3. OpenAI GPT-4V（视觉理解标杆）
agent-tars --provider openai \
  --model gpt-4-vision-preview \
  --apiKey sk-xxx

# 4. 自定义兼容 API（任意 OpenAI 格式 API）
agent-tars --provider openai-compatible \
  --base-url https://your-api-endpoint.com/v1 \
  --model your-model-name \
  --apiKey YOUR_KEY

3.2 CLI 核心命令

# 基础对话模式
agent-tars

# 单条指令模式（非交互式）
agent-tars "帮我打开 VS Code 并创建一个 Python 文件"

# Server 模式（无头执行，适合集成）
agent-tars server --port 3000

# Web UI 模式（浏览器界面）
agent-tars web --port 8080

3.3 v0.3.0 新特性（2026 年 11 月发布）

根据 GitHub Release 记录，Agent TARS CLI v0.3.0 带来了以下重大更新：

1. 多工具流式输出：

// 以前：工具调用是分步的，每一步都等待模型响应
// 现在：多个工具调用可以流式并行执行
agent-tars --provider anthropic --model claude-3-7-sonnet-latest
> 「同时帮我：1. 检查 GitHub trending，2. 打开 VS Code，3. 创建一个 Python 文件」
// AI 会流式输出三个工具的并行执行过程

2. 运行时设置 + 计时统计：

   • 工具调用耗时统计（精确到毫秒）
   • Deep Thinking 状态显示（模型是否正在「深度思考」）
   • 实时反馈 UI

3. Event Stream Viewer：

   • 数据流可视化跟踪
   • 调试 Agent 决策过程
   • 导出执行日志（JSON 格式）

4. AIO Agent Sandbox 支持：

   • 集成 agent-infra/sandbox
   • 隔离的执行环境
   • 安全的代码执行沙箱

3.4 实战：用 Agent TARS CLI 自动化 daily workflow

场景一：自动化 GitHub 工作流

agent-tars
``
> 帮我完成以下任务：
> 1. 检查 https://github.com/bytedance/UI-TARS-Desktop 的最新 5 个 issues
> 2. 如果有标题包含 "bug" 的 issue，创建一个新 issue 报告类似问题
> 3. 把结果总结成 Markdown 文件保存在桌面

Agent TARS 的执行流程：

1. 调用 GitHub MCP Server 获取 issues
2. 分析 issue 标题（视觉理解 Issue 页面截图）
3. 如果有相似 bug，调用 GitHub API 创建新 issue
4. 生成 Markdown 总结
5. 调用文件系统工具保存到桌面

场景二：跨应用数据搬运

agent-tars
``
> 帮我从 Excel 表格（~/Desktop/sales.xlsx）中提取 Q1 销售额数据，
> 然后打开 PowerPoint，创建一个柱状图，并保存在 ~/Desktop/Q1-report.pptx

这个任务涉及：

• Excel 数据读取（调用 Python pandas 脚本）
• 数据分析（计算总额、增长率）
• PowerPoint 自动化（调用 python-pptx 库）
• 文件保存

Agent TARS 会：

1. 理解指令（自然语言 → 任务拆解）
2. 生成并执行 Python 脚本
3. 验证输出文件
4. 报告任务完成状态

四、UI-TARS-Desktop 应用详解

4.1 下载与安装

UI-TARS-Desktop 是独立的桌面应用程序（类似 VS Code 的安装包）：

# macOS（Apple Silicon）
brew install --cask ui-tars-desktop

# 或者从 GitHub Releases 下载
# https://github.com/bytedance/UI-TARS-Desktop/releases

首次启动配置：

启动后需要配置：

1. 模型提供商（Anthropic/Volcengine/OpenAI/Custom）
2. API Key
3. 操作模式（Local Operator / Remote Operator / Browser Operator）

4.2 Local Operator：控制本地电脑

Local Operator 是最强大的模式——AI 可以直接控制你的电脑：

# 示例指令（在 UI-TARS-Desktop 应用中输入）
1. 「打开 Chrome 浏览器，访问 https://www.chenxutan.com，
   截图首页，然后关闭浏览器」

2. 「打开 VS Code，按 Cmd+Shift+P 打开命令面板，
   输入 "Git: Clone"，然后输入 https://github.com/bytedance/UI-TARS-Desktop.git」

3. 「打开系统设置，把鼠标速度调到最快」

技术实现细节：

Local Operator 的工作原理：

1. 截图：定期截取屏幕（每秒 1-2 帧）
2. 视觉理解：将截图发送给 VLM，获取界面元素位置
3. 操作决策：VLM 输出下一步操作（click (x,y) / type "text" / press key）
4. 执行：调用操作系统 API 执行鼠标/键盘操作

截图 → VLM 理解 → 决策 → 执行 → 再截图 → 循环

4.3 Remote Operator：远程控制电脑

Remote Operator 允许 AI 控制远程电脑（你在本地，AI 操作远程服务器）：

# 配置远程电脑（需要在远程电脑上安装 agent-infra/sandbox）
Remote Operator 配置：
  - 远程地址：<ADDRESS_REMOVE>22
  - 认证方式：SSH Key
  - 操作系统：Ubuntu 24.04

使用场景：

• 操作远程服务器（部署代码、查看日志）
• 远程办公（操作公司电脑）
• 云桌面自动化

4.4 Browser Operator：浏览器自动化

Browser Operator 是专门用于浏览器自动化的模式：

# 示例指令
1. 「打开亚马逊，搜索"USB-C cable"，按价格从低到高排序，
   把前 5 个商品的信息（名称、价格、评分）保存为 CSV」

2. 「访问 https://news.ycombinator.com，
   提取首页所有文章的标题和评论数，生成 Hacker News 热榜 CSV」

3. 「打开 YouTube，搜索"Python tutorial"，
   找到观看量最高的视频，提取标题、频道名、观看数」

混合策略（Hybrid Strategy）：

Browser Operator 支持三种模式：

1. GUI Agent 模式：VLM 直接「看懂」网页，点击按钮（适应动态网页）
2. DOM 模式：传统 DOM 选择器（更精确，适合静态网页）
3. 混合模式：智能切换（简单任务用 DOM，复杂任务用 VLM）

五、UI-TARS 模型与 Seed-1.5-VL/1.6 系列

5.1 UI-TARS 专用模型

UI-TARS 是 ByteDance 为 GUI 自动化专门训练的多模态大模型。

与通用 VLM（如 GPT-4V、Claude 3.7 Sonnet）的区别：

5.2 Seed-1.5-VL/1.6 系列模型

Seed-1.5-VL 和 Seed-1.6 是 ByteDance 自研的视觉语言模型系列，支持：

• 高分辨率图像理解（支持 4K 截图）
• 多语言 OCR（识别 screenshot 中的中英文）
• GUI 元素定位（输出边界框坐标）
• 操作序列规划（多步任务拆解）

# 使用 Seed-1.5-VL 模型
agent-tars --provider volcengine \
  --model seed-1.5-vl-250428 \
  --apiKey YOUR_VOLCENGINE_KEY

5.3 模型性能基准

根据 UI-TARS 论文（arXiv:2501.12326），在 GUI 自动化基准测试中：

结论：UI-TARS-Large 在成本和性能之间取得了最佳平衡，准确率接近 Claude 3.7 Sonnet，但成本只有其 1/2。

六、MCP 集成：连接现实世界工具

6.1 什么是 MCP？

MCP（Model Context Protocol）是 Anthropic 推出的标准化 AI 工具调用协议。它定义了：

• AI 模型如何发现可用工具
• 工具如何被调用（JSON-RPC 格式）
• 工具执行结果如何返回给模型

6.2 UI-TARS-Desktop 的 MCP 架构

Agent TARS / UI-TARS-Desktop
        ↓（MCP 协议）
MCP Server（工具提供方）
  ├── @agent-tars/mcp-server-github（GitHub 操作）
  ├── @agent-tars/mcp-server-filesystem（文件系统）
  ├── @agent-tars/mcp-server-terminal（终端执行）
  ├── @agent-tars/mcp-server-browser（浏览器自动化）
  └── 自定义 MCP Server（任意兼容 MCP 的服务）

6.3 实战：挂载自定义 MCP Server

# 1. 创建自定义 MCP Server（Node.js）
# my-mcp-server.js
import { Server } from "@modelcontextprotocol/sdk/server/index.js";
import { StdioServerTransport } from "@modelcontextprotocol/sdk/server/stdio.js";

const server = new Server({
  name: "my-tool-server",
  version: "1.0.0"
});

// 注册工具
server.setRequestHandler("tools/list", async () => ({
  tools: [
    {
      name: "search_documents",
      description: "搜索本地文档数据库",
      inputSchema: {
        type: "object",
        properties: {
          query: { type: "string", description: "搜索关键词" }
        }
      }
    }
  ]
}));

server.setRequestHandler("tools/call", async (request) => {
  if (request.params.name === "search_documents") {
    const query = request.params.arguments.query;
    // 实现搜索逻辑...
    return { content: [{ type: "text", text: "搜索结果..." }] };
  }
});

// 启动 Server
const transport = new StdioServerTransport();
await server.connect(transport);

# 2. 在 Agent TARS 中挂载自定义 MCP Server
agent-tars --mcp-server ./my-mcp-server.js

6.4 常用 MCP Servers

七、Event Stream 协议：Context Engineering 的核心

7.1 什么是 Event Stream？

Event Stream 是 Agent TARS 的协议驱动数据流，它记录了 Agent 执行的每一步：

// Event Stream 示例（简化）
[
  { "type": "user_message", "content": "打开 VS Code 并创建 Python 文件" },
  { "type": "llm_thinking", "content": "需要：1. 找到 VS Code 图标，2. 点击，3. 等待加载..." },
  { "type": "tool_call", "tool": "screenshot", "result": "screenshot_001.png" },
  { "type": "llm_vision", "content": "识别到 VS Code 图标在 (120, 50)" },
  { "type": "tool_call", "tool": "mouse_click", "args": { "x": 120, "y": 50 } },
  { "type": "tool_call", "tool": "wait", "args": { "ms": 2000 } },
  // ... 更多步骤
  { "type": "task_complete", "success": true }
]

7.2 Event Stream Viewer

Agent TARS CLI v0.3.0 引入了 Event Stream Viewer（事件流查看器）：

# 启用 Event Stream Viewer
agent-tars --provider anthropic --model claude-3-7-sonnet-latest --verbose

# Event Stream Viewer 会显示：
# - 每一步的执行时间
# - 工具调用的输入输出
# - LLM 的思考过程（如果模型支持 Thinking Block）
# - 截图和视觉理解结果

7.3 Context Engineering

Event Stream 驱动 Context Engineering（上下文工程）—— 这是 Agent TARS 团队提出的新概念：

Context Engineering = 动态地管理 Agent 的上下文窗口，确保每一步都有合适的上下文。

传统 AI Agent 的问题：

• 上下文窗口有限（即使 200K token，也会用完）
• 长任务中，早期信息会被「遗忘」
• 多工具调用时，上下文会混乱

Event Stream 的解决方案：

• 将执行过程记录为不可变事件流
• 需要时从 Event Stream 中「重放」相关上下文
• 支持长期记忆（将 Event Stream 持久化到数据库）

// Context Engineering 示例（伪代码）
class ContextEngine {
  private eventStream: Event[] = [];
  
  async appendEvent(event: Event) {
    this.eventStream.push(event);
    // 如果上下文窗口快满了，压缩早期事件
    if (this.eventStream.length > 10000) {
      await this.compressOldEvents();
    }
  }
  
  getRelevantContext(currentTask: string): Event[] {
    // 语义搜索 Event Stream，找到与当前任务相关的历史事件
    return semanticSearch(this.eventStream, currentTask);
  }
}

八、实战案例：用 UI-TARS-Desktop 自动化完整工作流

8.1 案例一：自动化每日新闻摘要

需求：每天早上 9 点，自动抓取 Hacker News 热榜前 10 名，用 LLM 生成摘要，然后发送到 Telegram。

实现（在 UI-TARS-Desktop 中输入指令）：

每天早上 9 点执行以下任务：
1. 打开浏览器，访问 https://news.ycombinator.com
2. 提取首页前 10 条文章的标题、链接、评论数
3. 用 LLM 为每篇文章生成一句话摘要
4. 生成 Markdown 格式报告，保存在 ~/Desktop/hn-digest-YYYY-MM-DD.md
5. 通过 Telegram Bot 发送报告到我的频道

UI-TARS-Desktop 会：

1. 理解指令（自然语言 → 任务拆解）
2. 调用 Browser Operator 抓取 Hacker News
3. 调用 LLM 生成摘要
4. 调用文件系统工具保存 Markdown
5. 调用 Telegram MCP Server 发送消息
6. 设置 cron job（通过系统 cron 或内置调度器）

8.2 案例二：跨应用数据同步

需求：将 Salesforce CRM 中的客户数据同步到本地 Excel 表格。

帮我完成以下任务：
1. 打开 Salesforce（https://login.salesforce.com）
2. 登录（用户名/密码从 ~/.config/salesforce/credentials.json 读取）
3. 导出上周创建的客户数据（CSV 格式）
4. 打开 Excel（~/Desktop/customers.xlsx）
5. 将 CSV 数据追加到 Excel 表格中
6. 保存并关闭 Excel

这个任务涉及：

• 浏览器自动化（Salesforce 登录 + 数据导出）
• 桌面应用自动化（Excel 操作）
• 文件格式转换（CSV → XLSX）
• 凭证管理（安全存储密码）

UI-TARS-Desktop 能完成吗？能，因为它有：

• Browser Operator（处理 Salesforce 网页）
• Local Operator（控制 Excel 应用）
• 文件系统访问（读写 CSV/XLSX）
• 凭证管理（从配置文件读取密码）

九、与竞品对比

9.1 UI-TARS-Desktop vs OpenAI Operator

9.2 UI-TARS-Desktop vs Claude Computer Use

Anthropic 的 Claude 3.7 Sonnet 支持 Computer Use（电脑使用）功能，类似 UI-TARS-Desktop。

9.3 UI-TARS-Desktop vs Playwright/Selenium

结论：UI-TARS-Desktop 适合非程序员或需要操作桌面应用的场景；Playwright 适合专业开发者做 Web 自动化测试。

十、部署与生产化

10.1 本地部署

# 安装 Agent TARS CLI
npm install @agent-tars/cli@latest -g

# 配置环境变量（避免每次输入 API Key）
export ANTHROPIC_API_KEY="sk-ant-xxx"
export VOLCENGINE_API_KEY="xxx"

# 启动（会自动读取环境变量）
agent-tars --provider anthropic --model claude-3-7-sonnet-latest

10.2 远程部署（Server 模式）

# 在远程服务器上启动 Agent TARS Server
agent-tars server --port 3000 --host 0.0.0.0

# 本地通过 HTTP API 调用远程 Agent
curl -X POST http://remote-server:3000/api/agent/run \
  -H "Content-Type: application/json" \
  -d '{"instruction": "检查 GitHub trending"}'

10.3 容器化部署

# Dockerfile
FROM node:22-alpine

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

ENV ANTHROPIC_API_KEY=""
ENV VOLCENGINE_API_KEY=""

RUN mkdir -p /app/workspace
WORKDIR /app/workspace

CMD ["agent-tars", "--provider", "anthropic", "--model", "claude-3-7-sonnet-latest"]

# 构建镜像
docker build -t agent-tars:latest .

# 运行容器
docker run -d \
  -e ANTHROPIC_API_KEY="sk-ant-xxx" \
  -v $(pwd)/workspace:/app/workspace \
  agent-tars:latest

10.4 生产环境最佳实践

1. API Key 管理：

   • 使用环境变量或密钥管理服务（AWS Secrets Manager/HashiCorp Vault）
   • 定期轮换 API Key
   • 为不同环境（dev/staging/prod）使用不同 Key

2. 错误处理与重试：

// 自定义 Agent TARS 包装器
class ProductionAgent {
  async runWithRetry(instruction: string, maxRetries = 3): Promise<string> {
    for (let i = 0; i < maxRetries; i++) {
      try {
        return await this.agent.run(instruction);
      } catch (error) {
        console.error(`Attempt ${i + 1} failed:`, error);
        if (i === maxRetries - 1) throw error;
        await this.sleep(1000 * Math.pow(2, i)); // 指数退避
      }
    }
  }
}

3. 日志与监控：

   • 将 Event Stream 持久化到数据库（SQLite/PostgreSQL）
   • 使用 OpenTelemetry 追踪 Agent 执行性能
   • 设置告警（当任务失败率 > 10% 时触发）

4. 成本控制：

   • 使用低成本模型（UI-TARS-Base/Seed-1.5-VL）处理简单任务
   • 只为复杂任务调用 Claude 3.7 Sonnet
   • 设置每日 API 调用预算上限

十一、社区与生态

11.1 GitHub 社区

• Stars：32,693+（持续增长中）
• Forks：3,100+
• Contributors：78 位
• Release 频率：每 2-4 周一个版本

11.2 官方资源

11.3 生态项目

UI-TARS-Desktop 的生态正在快速扩展：

1. agent-infra/sandbox：隔离的 Agent 执行沙箱
2. agent-tars/mcp-server-*：官方 MCP Server 集合
3. community/agent-tars-integrations：社区贡献的集成（Notion/Slack/Discord 等）
4. agent-tars/ui：React 组件库（用于构建自定义 Agent UI）

十二、未来展望

12.1 即将到来的特性（基于 Roadmap）

根据 GitHub Project 和 Discord 社区讨论，UI-TARS-Desktop 的未来方向：

1. 更强的视觉理解（2026 Q3）：

   • 支持 8K 分辨率截图
   • 视频理解（不只截图，而是看操作视频学习）
   • 3D 界面理解（Unity/Unreal 游戏引擎）

2. 更智能的任务规划（2026 Q4）：

   • 长期记忆（跨会话记忆）
   • 任务模板（保存常用任务流程）
   • 多 Agent 协作（一个 Agent 拆解任务，多个 Agent 并行执行）

3. 企业级特性（2027 Q1）：

   • SSO 集成（SAML/OIDC）
   • 审计日志（谁执行了什么任务）
   • 权限管控（RBAC）

12.2 行业影响

UI-TARS-Desktop 代表了 GUI 自动化 2.0：

GUI 自动化 1.0（2000-2020）：
  基于坐标/选择器 → 脆弱，维护成本高

GUI 自动化 2.0（2024-）：
  基于视觉语言模型 → 自适应，自然语言驱动

潜在应用场景：

• RPA 替代：替代昂贵的商业 RPA 工具（UiPath/Automation Anywhere）
• 无障碍辅助：帮助视障人士操作电脑（语音指令 → GUI 操作）
• 游戏 AI：训练游戏 AI（看到屏幕 → 操作手柄）
• 软件测试：自动化 UI 测试（不需要写 Selenium 脚本）

十三、总结

UI-TARS-Desktop 是 ByteDance 开源的多模态 AI Agent 栈，它将视觉语言模型与 GUI 自动化深度结合，让「用自然语言控制电脑」成为现实。

核心亮点：

1. 双项目架构：Agent TARS（通用 Agent 栈）+ UI-TARS-Desktop（原生 GUI Agent）
2. 多模型支持：Anthropic/OpenAI/ByteDance/自定义兼容 API
3. MCP 集成：连接现实世界工具（GitHub/文件系统/终端/浏览器）
4. Event Stream 协议：驱动 Context Engineering，支持长期记忆
5. 跨平台：Windows/macOS/Linux/浏览器全覆盖

适合人群：

• 开发者（自动化 daily workflow）
• 产品经理（快速原型验证）
• RPA 工程师（替代商业工具）
• AI 研究者（多模态 Agent 参考实现）

开始使用：

npm install @agent-tars/cli@latest -g
agent-tars --provider anthropic --model claude-3-7-sonnet-latest

参考资源：

• UI-TARS-Desktop GitHub
• Agent TARS 官方文档
• UI-TARS 论文（arXiv:2501.12326）
• Seed-1.5-VL 模型介绍
• MCP 协议规范

本文基于 UI-TARS-Desktop v0.3.0（Agent TARS CLI）和 v0.2.3（UI-TARS-Desktop）分析。所有性能数据来自官方基准测试，实际效果因使用场景而异。