ByteDance: UI-TARS 7B

UI-TARS 7B est un modèle multimodal de ByteDance, publié le 22 juillet 2025 sous l'identifiant de modèle bytedance/ui-tars-1.5-7b. Il appartient à la famille UI-TARS 1.5, une gamme d'agents vision-langage conçus pour les environnements basés sur des interfaces graphiques. ByteDance le décrit comme optimisé pour les interfaces de bureau, les navigateurs web, les systèmes mobiles et les jeux, ce qui signifie qu'il faut le comprendre avant tout comme un modèle conçu pour interagir avec des écrans plutôt que comme un modèle de conversation généraliste. Sa date limite de connaissances est le 31 janvier 2025.

Le modèle accepte des images et du texte en entrée et renvoie du texte en sortie, ce qui signifie qu'il peut examiner une capture d'écran ou une capture d'interface accompagnée d'une instruction et produire une réponse textuelle. Sa fenêtre de contexte est de 128 000 tokens, suffisamment grande pour contenir de longs historiques d'interaction ou un état d'interface détaillé aux côtés des instructions, et sa sortie maximale est de 2 048 tokens par réponse. En tant que modèle de 7 milliards de paramètres, il est relativement petit pour un agent vision-langage, ce qui compte lorsque vous planifiez la latence et le débit pour des boucles d'agent qui appellent le modèle de manière répétée.

Ces capacités indiquent un ensemble spécifique d'usages pratiques. Comme il prend des captures d'écran en entrée et est ajusté pour les environnements GUI, il convient aux flux d'automatisation et d'agent où le modèle doit interpréter ce qui se trouve à l'écran : lire une page web ou une fenêtre d'application, suivre une tâche en plusieurs étapes sur une interface de bureau ou mobile, ou agir dans un environnement de jeu. La grande fenêtre de contexte est utile lorsqu'une tâche nécessite plusieurs captures d'écran ou un historique en cours, et l'entrée d'image permet de décrire, résumer ou raisonner sur le contenu d'une interface plutôt que sur du texte brut uniquement.

Vous appelez le modèle via l'API compatible OpenAI d'api14 en utilisant l'identifiant de modèle bytedance/ui-tars-1.5-7b. Les paramètres de requête pris en charge sont frequency_penalty, logit_bias, logprobs, max_tokens, presence_penalty, repetition_penalty, seed, stop, structured_outputs, temperature, top_k, top_logprobs et top_p. Comme l'interface est compatible OpenAI, vous pouvez pointer un client OpenAI existant vers api14 et conserver votre structure de requête actuelle, en ajustant l'identifiant de modèle et l'un des paramètres ci-dessus selon vos besoins. Le paramètre seed est utile pour des exécutions reproductibles, structured_outputs aide lorsque vous souhaitez que la réponse suive une forme fixe, et les contrôles d'échantillonnage vous donnent une influence fine sur le caractère déterministe ou varié de la sortie.

Le principal point à évaluer est la limite de sortie. À 2 048 tokens par réponse, le modèle convient à des réponses concises, des descriptions d'actions ou de courtes étapes de raisonnement plutôt qu'à de longs documents générés. Si votre tâche nécessite une sortie écrite longue, ou si elle n'implique pas du tout d'images ou d'état d'interface, un modèle texte uniquement avec un plafond de sortie plus élevé conviendra mieux. Dans son rôle prévu, cependant, UI-TARS 7B est une option ciblée pour les agents conscients de l'écran, et la combinaison d'une entrée d'image, d'une fenêtre de contexte de 128 000 tokens et d'un accès compatible OpenAI via api14 le rend simple à tester dans un pipeline existant.