প্রকল্প সম্পর্কে

TARS একটি ওপেন-সোর্স মাল্টিমোডাল AI এজেন্ট স্ট্যাক যা বর্তমানে দুটি সম্পর্কিত প্রকল্প সরবরাহ করে: Agent TARS এবং UI-TARS Desktop। উভয়ই Apache 2.0 লাইসেন্সের অধীনে এবং ByteDance দ্বারা উন্নত। Agent TARS-কে একটি সাধারণ মাল্টিমোডাল AI এজেন্ট স্ট্যাক হিসেবে বর্ণনা করা হয়েছে যা GUI Agent এবং Vision ক্ষমতাকে টার্মিনাল, কম্পিউটার, ব্রাউজার এবং প্রোডাক্টে নিয়ে আসে। এটি মূলত একটি CLI এবং একটি Web UI হিসেবে সরবরাহ করা হয়। README অনুযায়ী, এটি মাল্টিমোডাল LLM এবং বাস্তব-বিশ্বের MCP টুলের সাথে সংহতির মাধ্যমে মানব-সদৃশ কাজ সম্পন্ন করার কাছাকাছি একটি ওয়ার্কফ্লো প্রদানের লক্ষ্য রাখে। এর উল্লেখিত মূল বৈশিষ্ট্যগুলির মধ্যে রয়েছে একটি ওয়ান-ক্লিক আউট-অফ-দ্য-বক্স CLI যা headful Web UI এবং headless server execution উভয়ই সমর্থন করে, একটি হাইব্রিড ব্রাউজার এজেন্ট যা GUI Agent, DOM, বা হাইব্রিড কৌশলের মাধ্যমে ব্রাউজার নিয়ন্ত্রণ করতে পারে, একটি প্রোটোকল-চালিত Event Stream যা কনটেক্সট ইঞ্জিনিয়ারিং এবং Agent UI-এর জন্য, এবং একটি MCP-ভিত্তিক কার্নেল যা বাহ্যিক টুলের সাথে সংযোগ করতে MCP সার্ভার মাউন্ট করা সমর্থন করে। ইনস্টলেশনের উদাহরণ npx বা একটি গ্লোবাল npm install (Node.js >= 22) ব্যবহার করে, এবং এটি Volcengine বা Anthropic-এর মতো বিভিন্ন মডেল প্রদানকারীর সাথে provider, model এবং API key নির্দিষ্ট করে চালানো যেতে পারে। v0.3.0 রিলিজ নোটে একাধিক টুলের জন্য স্ট্রিমিং সাপোর্ট, টাইমিং পরিসংখ্যান সহ রানটাইম সেটিংস, একটি Event Stream Viewer এবং একটি বিচ্ছিন্ন এক্সিকিউশন পরিবেশ হিসেবে AIO agent Sandbox-এর জন্য সমর্থন উল্লেখ করা হয়েছে। UI-TARS Desktop একটি ডেস্কটপ অ্যাপ্লিকেশন যা স্থানীয় কম্পিউটারের জন্য একটি নেটিভ GUI এজেন্ট প্রদান করে, যা UI-TARS মডেল এবং Seed-1.5-VL/1.6 সিরিজের মডেল দ্বারা চালিত। এটি স্থানীয় এবং দূরবর্তী কম্পিউটার অপারেটর এবং ব্রাউজার অপারেটর উভয়ই অফার করে। এর তালিকাভুক্ত বৈশিষ্ট্যগুলির মধ্যে রয়েছে একটি ভিশন-ল্যাঙ্গুয়েজ মডেল দ্বারা চালিত প্রাকৃতিক ভাষা নিয়ন্ত্রণ, স্ক্রিনশট এবং ভিজ্যুয়াল রিকগনিশন সাপোর্ট, সুনির্দিষ্ট মাউস এবং কীবোর্ড নিয়ন্ত্রণ, ক্রস-প্ল্যাটফর্ম সাপোর্ট (Windows/macOS/Browser), রিয়েল-টাইম ফিডব্যাক এবং স্ট্যাটাস ডিসপ্লে, এবং গোপনীয়তার জন্য সম্পূর্ণ স্থানীয় প্রসেসিং। README একটি পেপার (arXiv 2501.12326), Hugging Face মডেল, ModelScope এবং একটি Discord কমিউনিটির লিংক প্রদান করে। README-তে আরও একটি UI TARS SDK-কে GUI অটোমেশন এজেন্ট তৈরির জন্য একটি ক্রস-প্ল্যাটফর্ম টুলকিট হিসেবে উল্লেখ করা হয়েছে, এবং কুইক স্টার্ট, ডিপ্লয়মেন্ট এবং MCP ইন্টিগ্রেশন কভার করে এমন ডকুমেন্টেশন। দেখানো উদাহরণ ব্যবহারের ক্ষেত্রে রয়েছে ফ্লাইট বা হোটেল বুকিং, চার্ট তৈরি করা এবং প্রাকৃতিক-ভাষার নির্দেশের মাধ্যমে অ্যাপ্লিকেশন সেটিংস সামঞ্জস্য করা।