ByteDance: UI-TARS 7B

UI-TARS 7B è un modello multimodale di ByteDance, rilasciato il 22 luglio 2025 con il model id bytedance/ui-tars-1.5-7b. Appartiene alla famiglia UI-TARS 1.5, una linea di agenti visione-linguaggio costruiti per ambienti basati su GUI. ByteDance lo descrive come ottimizzato per interfacce desktop, browser web, sistemi mobili e giochi, quindi è meglio intenderlo come un modello progettato per interagire con gli schermi piuttosto che come un modello di chat generico. Il suo knowledge cutoff è il 31 gennaio 2025.

Il modello accetta immagini e testo come input e restituisce testo come output, il che significa che può esaminare uno screenshot o una cattura dell'interfaccia insieme a un'istruzione e produrre una risposta testuale. La sua context window è di 128.000 token, abbastanza ampia da contenere lunghe cronologie di interazione o stati dettagliati dell'interfaccia insieme alle istruzioni, e il suo output massimo è di 2.048 token per risposta. Come modello con 7B parametri è relativamente piccolo per un agente visione-linguaggio, il che conta quando si pianificano latenza e throughput per cicli di agenti che chiamano il modello ripetutamente.

Queste capacità indicano un insieme specifico di usi pratici. Poiché accetta screenshot come input ed è ottimizzato per ambienti GUI, si adatta a flussi di lavoro di automazione e agenti in cui il modello deve interpretare ciò che è sullo schermo: leggere una pagina web o una finestra applicativa, seguire un'attività multi-step attraverso un'interfaccia desktop o mobile, o agire all'interno di un ambiente di gioco. L'ampia context window aiuta quando un'attività richiede diversi screenshot o una cronologia in esecuzione, e l'input di immagini rende possibile descrivere, riassumere o ragionare sul contenuto dell'interfaccia invece che solo su testo semplice.

Si chiama il modello tramite l'API compatibile con OpenAI di api14 usando il model id bytedance/ui-tars-1.5-7b. I parametri di richiesta supportati sono frequency_penalty, logit_bias, logprobs, max_tokens, presence_penalty, repetition_penalty, seed, stop, structured_outputs, temperature, top_k, top_logprobs e top_p. Poiché l'interfaccia è compatibile con OpenAI, è possibile puntare un client OpenAI esistente su api14 e mantenere la struttura di richiesta attuale, adattando il model id e qualsiasi parametro tra quelli sopra secondo necessità. Il parametro seed è utile per esecuzioni riproducibili, structured_outputs aiuta quando si desidera che la risposta segua una forma fissa, e i controlli di campionamento offrono un'influenza granulare su quanto l'output sia deterministico o vario.

L'aspetto principale da valutare è il limite di output. A 2.048 token per risposta, il modello è adatto a risposte concise, descrizioni di azioni o brevi passaggi di ragionamento piuttosto che a lunghi documenti generati. Se l'attività richiede un output scritto lungo, o se non coinvolge affatto immagini o stato dell'interfaccia, un modello solo testo con un tetto di output più alto potrebbe adattarsi meglio. Nel suo ruolo previsto, tuttavia, UI-TARS 7B è un'opzione mirata per agenti consapevoli dello schermo, e la combinazione di input di immagini, una context window di 128.000 token e accesso compatibile con OpenAI tramite api14 lo rende semplice da provare in una pipeline esistente.