ByteDance: UI-TARS 7B

UI-TARS 7B adalah model multimodal dari ByteDance, dirilis pada 22 Juli 2025 dengan model id bytedance/ui-tars-1.5-7b. Model ini termasuk dalam keluarga UI-TARS 1.5, yaitu lini agen vision-language yang dibangun untuk lingkungan berbasis GUI. ByteDance mendeskripsikannya sebagai model yang dioptimalkan untuk antarmuka desktop, browser web, sistem mobile dan game, sehingga paling tepat dipahami sebagai model yang dirancang untuk berinteraksi dengan layar, bukan model chat serbaguna. Knowledge cutoff-nya adalah 31 Januari 2025.

Model ini menerima gambar dan teks sebagai input dan mengembalikan teks sebagai output, yang berarti model dapat melihat screenshot atau tangkapan antarmuka bersama instruksi dan menghasilkan respons tekstual. Context window-nya adalah 128.000 token, cukup besar untuk menampung riwayat interaksi yang panjang atau status antarmuka yang rinci bersama instruksi, dan output maksimumnya adalah 2.048 token per respons. Sebagai model dengan 7B parameter, model ini relatif kecil untuk agen vision-language, yang penting saat Anda merencanakan latensi dan throughput untuk loop agen yang memanggil model berulang kali.

Kemampuan tersebut mengarah pada serangkaian penggunaan praktis yang spesifik. Karena model menerima screenshot sebagai input dan disetel untuk lingkungan GUI, model ini cocok untuk otomasi dan alur kerja agen ketika model perlu menafsirkan apa yang ada di layar: membaca halaman web atau jendela aplikasi, mengikuti tugas multi-langkah di antarmuka desktop atau mobile, atau bertindak di dalam lingkungan game. Context window yang besar membantu ketika suatu tugas memerlukan beberapa screenshot atau riwayat yang berjalan, dan input gambar memungkinkan untuk mendeskripsikan, merangkum atau menalar konten antarmuka, bukan hanya teks biasa.

Anda memanggil model ini melalui API yang kompatibel dengan OpenAI dari api14 menggunakan model id bytedance/ui-tars-1.5-7b. Parameter permintaan yang didukung adalah frequency_penalty, logit_bias, logprobs, max_tokens, presence_penalty, repetition_penalty, seed, stop, structured_outputs, temperature, top_k, top_logprobs dan top_p. Karena antarmukanya kompatibel dengan OpenAI, Anda dapat mengarahkan klien OpenAI yang sudah ada ke api14 dan mempertahankan struktur permintaan Anda saat ini, menyesuaikan model id dan parameter mana pun di atas sesuai kebutuhan. Parameter seed berguna untuk eksekusi yang dapat direproduksi, structured_outputs membantu ketika Anda ingin respons mengikuti bentuk yang tetap, dan kontrol sampling memberi Anda pengaruh yang terperinci terhadap seberapa deterministik atau bervariasi outputnya.

Hal utama yang perlu dipertimbangkan adalah batas output. Pada 2.048 token per respons, model ini cocok untuk jawaban ringkas, deskripsi tindakan atau langkah penalaran pendek, bukan untuk dokumen yang dihasilkan panjang. Jika tugas Anda memerlukan output tertulis yang panjang, atau jika sama sekali tidak melibatkan gambar atau status antarmuka, model khusus teks dengan batas output yang lebih tinggi mungkin lebih cocok. Namun dalam perannya yang dimaksudkan, UI-TARS 7B adalah opsi yang terfokus untuk agen yang sadar layar, dan kombinasi input gambar, context window 128.000 token serta akses yang kompatibel dengan OpenAI melalui api14 membuatnya mudah untuk diuji dalam pipeline yang sudah ada.