← プロジェクト一覧に戻る

UI-TARS Desktop
視覚モデルUI-TARSが実際のマウスとキーボードを動かすByteDanceのデスクトップエージェント。動かせるモデルは同系統に限られます
公式Apache-2.0
UI-TARS Desktopとは
指示を打ち込むと、アプリが画面のスクリーンショットを視覚言語モデルUI-TARSへ渡し、クリック・キー入力・スクロールに変換して実行します。対象がブラウザに限られずデスクトップ全体に及ぶ点が、ブラウザ専用エージェントとの違いです。難点はモデルで、UI-TARSかDoubao系統を配信するエンドポイントを自分で用意する必要があります。公開されている7Bの重みをvLLMで自前配信するのがドキュメント上のローカル手順で、GPTやClaudeのようなモデルではデスクトップアプリを動かせません。プロジェクトの鼓動も判断材料です。デスクトップ版のバイナリは2025年8月から出ておらず、ホスト型のリモートオペレーターは提供終了、2026年のコミットはAgent TARSスタックへの方向転換とともに大きく減っています。
UI-TARS Desktopで何ができますか?
- ブラウザではなく、デスクトップ全体 — コンピューター用オペレーターは画面全体を、ブラウザ用オペレーターはChrome・Edge・Firefoxを操作します。ファイルマネージャーや事務ソフト、ネイティブのダイアログにも手が届きます。間にサンドボックスはなく実際のカーソルが動くため、macOSではアクセシビリティと画面収録の許可が前提になります。
- モデルのエンドポイントは自分で用意する — 対応系統を配信するOpenAI互換エンドポイントなら使えます。公開されているUI-TARS-1.5-7Bの重みを自前のGPUでvLLM配信するか、Hugging Faceの推論エンドポイント、あるいはByteDanceのVolcEngineクラウドが提供するDoubao系視覚モデルです。
- 同じリポジトリに汎用版のAgent TARS — npmのCLIとローカルWeb UIで、同じ土台を検索・ブラウジング・ファイル操作向けの汎用エージェントとして使えます。ブラウザ操作は3モードあり、視覚なしのモデルでも動くDOMモード、スクリーンショットから座標を出す視覚モード、その併用が選べます。
- 自作の自動化に組み込むSDK — UI-TARS SDKにはデスクトップ入力・ブラウザ・adb経由のAndroidを担うオペレーターが同梱されており、スクリーンショットから操作への変換ループをアプリ経由ではなく自分の自動化に埋め込めます。
UI-TARS Desktopを選ぶ前に
スター推移
8月19日〜10月30日 · +809
38.6k39.5k
よくある質問
UI-TARS Desktopは商用利用できますか?
UI-TARS DesktopはApache-2.0ライセンスで公開されています。OSI承認のオープンソースライセンスで、商用利用が認められています。
UI-TARS Desktopはどの形で使えますか?
UI-TARS Desktopはローカル実行の形で利用できます。