ByteDance: UI-TARS 7B

UI-TARS 7B は ByteDance のマルチモーダルモデルで、2025 年 7 月 22 日にモデル id bytedance/ui-tars-1.5-7b としてリリースされました。これは UI-TARS 1.5 ファミリーに属し、GUI ベースの環境向けに構築された視覚言語エージェントの系統です。ByteDance はこれをデスクトップインターフェース、ウェブブラウザ、モバイルシステム、ゲームに最適化されていると説明しているため、汎用チャットモデルというよりも、画面との対話を中心に設計されたモデルとして理解するのが最適です。知識カットオフは 2025 年 1 月 31 日です。

このモデルは入力として画像とテキストを受け取り、出力としてテキストを返します。つまり、スクリーンショットやインターフェースのキャプチャを指示と一緒に参照し、テキスト応答を生成できます。コンテキストウィンドウは 128,000 トークンで、長い対話履歴や詳細なインターフェース状態を指示とともに保持するのに十分な大きさであり、最大出力は応答あたり 2,048 トークンです。7B パラメータモデルとしては視覚言語エージェントの中では比較的小規模であり、モデルを繰り返し呼び出すエージェントループのレイテンシとスループットを計画する際に重要になります。

これらの機能は、特定の実用的用途を示しています。スクリーンショットを入力として受け取り、GUI 環境向けに調整されているため、モデルが画面上の内容を解釈する必要がある自動化やエージェントワークフローに適しています。たとえば、ウェブページやアプリケーションウィンドウを読み取る、デスクトップやモバイルインターフェース上で複数ステップのタスクを遂行する、ゲーム環境内で行動する、といった用途です。大きなコンテキストウィンドウは、タスクに複数のスクリーンショットや実行中の履歴が必要な場合に役立ち、画像入力により、単なるプレーンテキストではなくインターフェース内容について説明、要約、推論することが可能になります。

このモデルは、モデル id bytedance/ui-tars-1.5-7b を使用して api14 の OpenAI 互換 API を通じて呼び出します。サポートされているリクエストパラメータは frequency_penalty、logit_bias、logprobs、max_tokens、presence_penalty、repetition_penalty、seed、stop、structured_outputs、temperature、top_k、top_logprobs、top_p です。インターフェースが OpenAI 互換であるため、既存の OpenAI クライアントを api14 に向け、現在のリクエスト構造を維持したまま、必要に応じてモデル id と上記のパラメータを調整できます。seed パラメータは再現可能な実行に役立ち、structured_outputs は応答を固定の形に従わせたい場合に役立ち、サンプリング制御により出力の決定性や多様性に細かく影響を与えられます。

主に考慮すべき点は出力上限です。応答あたり 2,048 トークンでは、このモデルは長い生成文書ではなく、簡潔な回答、アクションの説明、短い推論ステップに適しています。タスクが長い文章出力を必要とする場合、または画像やインターフェース状態をまったく伴わない場合は、より高い出力上限を持つテキスト専用モデルの方が適している可能性があります。しかし、想定された役割の中では、UI-TARS 7B は画面認識エージェント向けの焦点を絞った選択肢であり、画像入力、128,000 トークンのコンテキストウィンドウ、api14 を通じた OpenAI 互換アクセスの組み合わせにより、既存のパイプラインで簡単に試用できます。