ByteDance: UI-TARS 7B

O UI-TARS 7B é um modelo multimodal da ByteDance, lançado em 22 de julho de 2025 sob o id de modelo bytedance/ui-tars-1.5-7b. Ele pertence à família UI-TARS 1.5, uma linha de agentes de visão-linguagem criados para ambientes baseados em GUI. A ByteDance o descreve como otimizado para interfaces de desktop, navegadores web, sistemas móveis e jogos, então é melhor entendê-lo como um modelo projetado em torno da interação com telas, e não como um modelo de chat de propósito geral. Seu corte de conhecimento é 31 de janeiro de 2025.

O modelo aceita imagens e texto como entrada e retorna texto como saída, o que significa que ele pode analisar uma captura de tela ou captura de interface junto com uma instrução e produzir uma resposta textual. Sua janela de contexto é de 128.000 tokens, grande o suficiente para armazenar históricos longos de interação ou estado detalhado de interface junto com instruções, e sua saída máxima é de 2.048 tokens por resposta. Como um modelo de 7B parâmetros, ele é relativamente pequeno para um agente de visão-linguagem, o que importa ao planejar latência e throughput para loops de agente que chamam o modelo repetidamente.

Essas capacidades apontam para um conjunto específico de usos práticos. Como ele recebe capturas de tela como entrada e é ajustado para ambientes de GUI, ele se encaixa em fluxos de automação e de agentes nos quais o modelo precisa interpretar o que está na tela: ler uma página web ou janela de aplicativo, seguir uma tarefa de várias etapas em uma interface de desktop ou móvel, ou atuar dentro de um ambiente de jogo. A janela de contexto grande ajuda quando uma tarefa exige várias capturas de tela ou um histórico em execução, e a entrada de imagem torna possível descrever, resumir ou raciocinar sobre o conteúdo da interface, em vez de apenas texto simples.

Você chama o modelo através da API compatível com OpenAI da api14 usando o id de modelo bytedance/ui-tars-1.5-7b. Os parâmetros de requisição suportados são frequency_penalty, logit_bias, logprobs, max_tokens, presence_penalty, repetition_penalty, seed, stop, structured_outputs, temperature, top_k, top_logprobs e top_p. Como a interface é compatível com OpenAI, você pode apontar um cliente OpenAI existente para a api14 e manter sua estrutura de requisição atual, ajustando o id de modelo e qualquer um dos parâmetros acima conforme necessário. O parâmetro seed é útil para execuções reproduzíveis, structured_outputs ajuda quando você quer que a resposta siga um formato fixo, e os controles de amostragem oferecem influência refinada sobre quão determinística ou variada é a saída.

O principal ponto a ponderar é o limite de saída. Com 2.048 tokens por resposta, o modelo é adequado para respostas concisas, descrições de ações ou etapas curtas de raciocínio, em vez de documentos longos gerados. Se sua tarefa precisa de uma saída escrita extensa, ou se não envolve imagens ou estado de interface, um modelo apenas de texto com um teto de saída maior pode se encaixar melhor. Dentro de seu papel pretendido, no entanto, o UI-TARS 7B é uma opção focada para agentes cientes de tela, e a combinação de entrada de imagem, uma janela de contexto de 128.000 tokens e acesso compatível com OpenAI através da api14 torna simples testá-lo em um pipeline existente.