ByteDance: UI-TARS 7B

UI-TARS 7B ist ein multimodales Modell von ByteDance, veröffentlicht am 22. Juli 2025 unter der Modell-ID bytedance/ui-tars-1.5-7b. Es gehört zur Familie UI-TARS 1.5, einer Reihe von Vision-Language-Agenten, die für GUI-basierte Umgebungen entwickelt wurden. ByteDance beschreibt es als optimiert für Desktop-Oberflächen, Webbrowser, mobile Systeme und Spiele, sodass es am besten als ein Modell verstanden werden kann, das auf die Interaktion mit Bildschirmen ausgelegt ist, und nicht als allgemeines Chat-Modell. Sein Wissensstand reicht bis zum 31. Januar 2025.

Das Modell akzeptiert Bilder und Text als Eingabe und gibt Text als Ausgabe zurück, was bedeutet, dass es einen Screenshot oder eine Oberflächenaufnahme zusammen mit einer Anweisung betrachten und eine textuelle Antwort erzeugen kann. Sein Kontextfenster umfasst 128.000 Token, groß genug, um lange Interaktionsverläufe oder detaillierte Oberflächenzustände zusammen mit Anweisungen aufzunehmen, und seine maximale Ausgabe beträgt 2.048 Token pro Antwort. Als Modell mit 7B Parametern ist es für einen Vision-Language-Agenten relativ klein, was bei der Planung von Latenz und Durchsatz für Agentenschleifen, die das Modell wiederholt aufrufen, von Bedeutung ist.

Diese Fähigkeiten deuten auf eine bestimmte Gruppe praktischer Anwendungen hin. Da es Screenshots als Eingabe akzeptiert und für GUI-Umgebungen abgestimmt ist, eignet es sich für Automatisierungs- und Agenten-Workflows, bei denen das Modell interpretieren muss, was auf dem Bildschirm zu sehen ist: das Lesen einer Webseite oder eines Anwendungsfensters, das Befolgen einer mehrstufigen Aufgabe über eine Desktop- oder mobile Oberfläche hinweg oder das Handeln innerhalb einer Spielumgebung. Das große Kontextfenster hilft, wenn eine Aufgabe mehrere Screenshots oder einen laufenden Verlauf erfordert, und die Bildeingabe ermöglicht es, Oberflächeninhalte zu beschreiben, zusammenzufassen oder über sie zu reasoning, statt nur reinen Text.

Sie rufen das Modell über die OpenAI-kompatible API von api14 mit der Modell-ID bytedance/ui-tars-1.5-7b auf. Die unterstützten Anfrageparameter sind frequency_penalty, logit_bias, logprobs, max_tokens, presence_penalty, repetition_penalty, seed, stop, structured_outputs, temperature, top_k, top_logprobs und top_p. Da die Schnittstelle OpenAI-kompatibel ist, können Sie einen vorhandenen OpenAI-Client auf api14 richten und Ihre aktuelle Anfragestruktur beibehalten, wobei Sie die Modell-ID und alle der oben genannten Parameter nach Bedarf anpassen. Der Parameter seed ist nützlich für reproduzierbare Läufe, structured_outputs hilft, wenn Sie möchten, dass die Antwort einer festen Form folgt, und die Sampling-Steuerungen geben Ihnen fein abgestufte Kontrolle darüber, wie deterministisch oder variiert die Ausgabe ist.

Der wichtigste Punkt, den es abzuwägen gilt, ist das Ausgabelimit. Bei 2.048 Token pro Antwort eignet sich das Modell für prägnante Antworten, Aktionsbeschreibungen oder kurze Reasoning-Schritte statt für lange generierte Dokumente. Wenn Ihre Aufgabe eine umfangreiche schriftliche Ausgabe erfordert oder wenn sie überhaupt keine Bilder oder Oberflächenzustände umfasst, könnte ein reines Textmodell mit einer höheren Ausgabegrenze besser passen. Innerhalb seiner vorgesehenen Rolle ist UI-TARS 7B jedoch eine fokussierte Option für bildschirmbewusste Agenten, und die Kombination aus Bildeingabe, einem Kontextfenster von 128.000 Token und OpenAI-kompatiblem Zugriff über api14 macht es unkompliziert, es in einer bestehenden Pipeline zu testen.