ui-tars-desktop

TARSは、現在2つの関連プロジェクト（Agent TARSとUI-TARS Desktop）を提供するオープンソースのマルチモーダルAIエージェントスタックです。どちらもApache 2.0ライセンスで、ByteDanceによって開発されています。 Agent TARSは、GUIエージェントとビジョン機能をターミナル、コンピュータ、ブラウザ、および製品にもたらす、汎用マルチモーダルAIエージェントスタックとして説明されています。主にCLIとWeb UIとして提供されます。READMEによると、マルチモーダルLLMと実世界のMCPツールとの統合を通じて、人間に近いタスク完了のワークフローを提供することを目指しています。その中核機能として、ヘッドフルWeb UIとヘッドレスサーバー実行の両方をサポートするワンクリックですぐ使えるCLI、GUIエージェント・DOM・ハイブリッド戦略を介してブラウザを制御できるハイブリッドブラウザエージェント、コンテキストエンジニアリングとエージェントUIのためのプロトコル駆動のイベントストリーム、および外部ツールに接続するためのMCPサーバーのマウントをサポートするMCPベースのカーネルが挙げられています。インストール例ではnpxまたはグローバルなnpm install（Node.js >= 22）を使用し、プロバイダー、モデル、APIキーを指定することで、VolcengineやAnthropicなどの異なるモデルプロバイダーで実行できます。v0.3.0リリースでは、複数ツールのストリーミングサポート、タイミング統計付きのランタイム設定、イベントストリームビューアー、および分離された実行環境としてのAIOエージェントサンドボックスのサポートが記載されています。 UI-TARS Desktopは、UI-TARSモデルとSeed-1.5-VL/1.6シリーズモデルによって駆動される、ローカルコンピュータ向けのネイティブGUIエージェントを提供するデスクトップアプリケーションです。ローカルおよびリモートのコンピュータオペレーターとブラウザオペレーターを提供します。その機能には、ビジョン言語モデルによる自然言語制御、スクリーンショットと視覚認識のサポート、正確なマウスとキーボード制御、クロスプラットフォーム対応（Windows/macOS/Browser）、リアルタイムのフィードバックとステータス表示、プライバシーのための完全ローカル処理が含まれます。READMEには、論文（arXiv 2501.12326）、Hugging Faceモデル、ModelScope、Discordコミュニティへのリンクがあります。 READMEはまた、GUI自動化エージェントを構築するためのクロスプラットフォームツールキットとしてUI TARS SDKに言及し、クイックスタート、デプロイメント、MCP統合をカバーするドキュメントも参照しています。示されているユースケースの例には、航空券やホテルの予約、チャートの生成、自然言語の指示によるアプリケーション設定の調整が含まれます。