ByteDance: UI-TARS 7B

UI-TARS 7B es un modelo multimodal de ByteDance, lanzado el 22 de julio de 2025 bajo el id de modelo bytedance/ui-tars-1.5-7b. Pertenece a la familia UI-TARS 1.5, una línea de agentes de visión y lenguaje construidos para entornos basados en GUI. ByteDance lo describe como optimizado para interfaces de escritorio, navegadores web, sistemas móviles y juegos, por lo que se entiende mejor como un modelo diseñado en torno a la interacción con pantallas y no como un modelo de chat de propósito general. Su fecha de corte de conocimiento es el 31 de enero de 2025.

El modelo acepta imágenes y texto como entrada y devuelve texto como salida, lo que significa que puede examinar una captura de pantalla o una captura de interfaz junto con una instrucción y producir una respuesta textual. Su ventana de contexto es de 128.000 tokens, suficientemente grande para contener historiales de interacción largos o estados de interfaz detallados junto con instrucciones, y su salida máxima es de 2.048 tokens por respuesta. Como modelo de 7B parámetros es relativamente pequeño para un agente de visión y lenguaje, lo cual importa cuando se planifican la latencia y el rendimiento para bucles de agente que llaman al modelo repetidamente.

Esas capacidades apuntan a un conjunto específico de usos prácticos. Debido a que toma capturas de pantalla como entrada y está ajustado para entornos GUI, encaja en flujos de trabajo de automatización y agentes donde el modelo necesita interpretar lo que hay en pantalla: leer una página web o una ventana de aplicación, seguir una tarea de varios pasos a través de una interfaz de escritorio o móvil, o actuar dentro de un entorno de juego. La ventana de contexto grande ayuda cuando una tarea requiere varias capturas de pantalla o un historial en ejecución, y la entrada de imagen hace posible describir, resumir o razonar sobre el contenido de la interfaz en lugar de solo texto plano.

Se llama al modelo a través de la API compatible con OpenAI de api14 usando el id de modelo bytedance/ui-tars-1.5-7b. Los parámetros de solicitud admitidos son frequency_penalty, logit_bias, logprobs, max_tokens, presence_penalty, repetition_penalty, seed, stop, structured_outputs, temperature, top_k, top_logprobs y top_p. Dado que la interfaz es compatible con OpenAI, se puede apuntar un cliente de OpenAI existente a api14 y mantener la estructura de solicitud actual, ajustando el id de modelo y cualquiera de los parámetros anteriores según sea necesario. El parámetro seed es útil para ejecuciones reproducibles, structured_outputs ayuda cuando se desea que la respuesta siga una forma fija, y los controles de muestreo permiten influir con precisión en cuán determinista o variada es la salida.

Lo principal que hay que sopesar es el límite de salida. Con 2.048 tokens por respuesta, el modelo es adecuado para respuestas concisas, descripciones de acciones o pasos de razonamiento cortos en lugar de documentos generados extensos. Si la tarea necesita una salida escrita extensa, o si no implica imágenes ni estado de interfaz en absoluto, un modelo solo de texto con un techo de salida más alto podría encajar mejor. Dentro de su rol previsto, sin embargo, UI-TARS 7B es una opción enfocada para agentes conscientes de la pantalla, y la combinación de entrada de imagen, una ventana de contexto de 128.000 tokens y acceso compatible con OpenAI a través de api14 hace que sea sencillo probarlo en una canalización existente.