इस प्रोजेक्ट के बारे में

TARS एक ओपन-सोर्स मल्टीमोडल AI एजेंट स्टैक है जो वर्तमान में दो संबंधित प्रोजेक्ट प्रदान करता है: Agent TARS और UI-TARS Desktop। दोनों Apache 2.0 लाइसेंस के तहत हैं और ByteDance द्वारा विकसित किए गए हैं। Agent TARS को एक सामान्य मल्टीमोडल AI एजेंट स्टैक के रूप में वर्णित किया गया है जो GUI Agent और Vision क्षमताओं को टर्मिनल, कंप्यूटर, ब्राउज़र और उत्पाद में लाता है। यह मुख्य रूप से एक CLI और एक Web UI के रूप में उपलब्ध है। README के अनुसार, इसका उद्देश्य मल्टीमोडल LLMs और वास्तविक दुनिया के MCP टूल्स के साथ एकीकरण के माध्यम से मानव-जैसे कार्य पूरा करने के करीब एक वर्कफ़्लो प्रदान करना है। इसके कथित मुख्य विशेषताओं में एक क्लिक आउट-ऑफ-द-बॉक्स CLI शामिल है जो हेडफुल Web UI और हेडलेस सर्वर निष्पादन दोनों का समर्थन करता है, एक हाइब्रिड ब्राउज़र एजेंट जो GUI Agent, DOM, या हाइब्रिड रणनीति के माध्यम से ब्राउज़र को नियंत्रित कर सकता है, संदर्भ इंजीनियरिंग और Agent UI के लिए एक प्रोटोकॉल-संचालित Event Stream, और एक MCP-आधारित कर्नेल जो बाहरी टूल्स से कनेक्ट करने के लिए MCP Servers को माउंट करने का समर्थन करता है। इंस्टॉलेशन उदाहरण npx या वैश्विक npm इंस्टॉल (Node.js >= 22) का उपयोग करते हैं, और इसे प्रदाता, मॉडल और API कुंजी निर्दिष्ट करके Volcengine या Anthropic जैसे विभिन्न मॉडल प्रदाताओं के साथ चलाया जा सकता है। v0.3.0 रिलीज़ नोट्स में कई टूल्स के लिए स्ट्रीमिंग सपोर्ट, समय आंकड़ों के साथ रनटाइम सेटिंग्स, एक Event Stream Viewer, और एक अलग निष्पादन वातावरण के रूप में AIO agent Sandbox का समर्थन शामिल है। UI-TARS Desktop एक डेस्कटॉप एप्लिकेशन है जो UI-TARS मॉडल और Seed-1.5-VL/1.6 श्रृंखला मॉडल द्वारा संचालित स्थानीय कंप्यूटर के लिए एक नेटिव GUI एजेंट प्रदान करता है। यह स्थानीय और दूरस्थ कंप्यूटर ऑपरेटरों के साथ-साथ ब्राउज़र ऑपरेटरों की भी पेशकश करता है। इसकी सूचीबद्ध विशेषताओं में दृश्य-भाषा मॉडल द्वारा संचालित प्राकृतिक भाषा नियंत्रण, स्क्रीनशॉट और दृश्य पहचान समर्थन, सटीक माउस और कीबोर्ड नियंत्रण, क्रॉस-प्लेटफॉर्म समर्थन (Windows/macOS/Browser), रीयल-टाइम फीडबैक और स्थिति प्रदर्शन, और गोपनीयता के लिए पूर्ण स्थानीय प्रोसेसिंग शामिल है। README एक पेपर (arXiv 2501.12326), Hugging Face मॉडल, ModelScope और एक Discord कम्युनिटी से लिंक करता है। README में GUI ऑटोमेशन एजेंट्स बनाने के लिए एक क्रॉस-प्लेटफॉर्म टूलकिट के रूप में UI TARS SDK का भी उल्लेख किया गया है, और क्विक स्टार्ट, डिप्लॉयमेंट, और MCP एकीकरण को कवर करने वाला दस्तावेज़ीकरण शामिल है। दिखाए गए उदाहरण उपयोग के मामलों में प्राकृतिक भाषा निर्देशों के माध्यम से फ्लाइट या होटल बुकिंग, चार्ट जनरेशन, और एप्लिकेशन सेटिंग्स में बदलाव शामिल हैं।