懂AI
UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用，可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用，基于 UI-TARS（视觉语言模型）构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能，支持跨平台使用（Windows/MacOS），能提供实时反馈和状态显示，且数据完全本地处理，保障隐私安全。该应用集成了多种大语言模型和搜索方式，还可进行文件系统操作。适用于需要智能交互和自动化任务的场景，如信息检索、文件管理等。其提供了详细的文档，包括快速启动、部署、贡献指南和 SDK 使用说明等，方便开发者使用和扩展。

GitHub
UI-TARS-desktop

image.png

项目介绍

UI-TARS-desktop 是一款创新的桌面应用程序，它以 UI-TARS（视觉语言模型）为核心，让用户能够使用自然语言来控制计算机。这款应用具有多方面的强大功能，在视觉处理上，支持截图和视觉识别，能对网页进行视觉解读；在操作控制方面，可实现精确的鼠标和键盘控制；在交互体验上，能提供实时反馈和状态显示。它集成了多种大语言模型，如 OpenAI、Anthropic、Gemini 等，同时支持多种搜索方式，如 Bing、Tavily、DuckDuckGo 等。此外，还具备文件系统操作功能，可对文件和目录进行读写、创建、移动等操作。UI-TARS-desktop 支持跨平台使用，包括 Windows 和 MacOS 系统，并且数据完全在本地处理，保障了用户的隐私和数据安全。它还提供了丰富的文档，涵盖了快速启动、部署、贡献指南以及 SDK 使用说明等内容，方便开发者进行使用和二次开发。

主要功能

自然语言交互：借助视觉语言模型，用户可以使用自然语言与应用进行交互，下达操作指令。 视觉处理能力：支持截图和视觉识别，能对网页等界面进行视觉解读，为操作提供依据。 精确操作控制：实现精确的鼠标和键盘控制，模拟人工操作完成各种任务。 多模型与搜索集成：集成多种大语言模型和搜索方式，满足不同的信息获取和处理需求。 文件系统操作：对本地文件和目录进行读写、创建、移动等操作，方便文件管理。 实时反馈展示：在操作过程中提供实时反馈和状态显示，让用户随时了解操作进展。

应用场景

信息检索与获取：用户可以使用自然语言指令，通过集成的搜索方式快速获取互联网上的信息。 自动化任务执行：利用精确的操作控制功能，实现自动化任务，如网页搜索、文件处理等。 文件管理：对本地文件和目录进行管理，提高文件操作的效率。 智能交互体验：与大语言模型进行交互，获取问题的答案和建议，提供智能交互服务。

常见问题

问题 1：这个应用支持哪些操作系统？ 回答：UI-TARS-desktop 支持跨平台使用，包括 Windows 和 MacOS 系统。

问题 2：应用集成了哪些大语言模型？ 回答：应用集成了多种大语言模型，如 OpenAI、Anthropic、Gemini、Mistral、Azure OpenAI 和 DeepSeek 等。

问题 3：能否对本地文件进行操作？操作类型有哪些？ 回答：可以对本地文件进行操作。操作类型包括对文件和目录的读写、创建、移动等。

问题 4：使用过程中如何获取操作的实时反馈？ 回答：应用在操作过程中会自动提供实时反馈和状态显示，让您随时了解操作进展。

问题 5：如果我想为这个项目做贡献，应该怎么做？ 回答：如果您想为项目做贡献，可以参考项目中的CONTRIBUTING.md文件。首先，建议您阅读可用的文档，在提问或报告问题前，先搜索现有的Issues。若有需要，可打开一个新的Issue，并提供尽可能多的上下文信息以及项目和平台版本等。

编辑推荐精选

讯飞智文

讯飞智文

一键生成PPT和Word，让学习生活更轻松

讯飞智文是一个利用 AI 技术的项目，能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定，还是学生群体的职业生涯规划、实习避坑指南，亦或是活动策划、旅游攻略等内容，它都能提供支持，帮助用户精准表达，轻松呈现各种信息。

热门AI工具AI办公办公工具讯飞智文AI在线生成PPTAI撰写助手多语种文档生成AI自动配图
讯飞星火

讯飞星火

深度推理能力全新升级，全面对标OpenAI o1

科大讯飞的星火大模型，支持语言理解、知识问答和文本创作等多功能，适用于多种文件和业务场景，提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台，涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能，能为不同需求的用户提供便捷高效的帮助，助力用户轻松获取信息、解决问题，满足多样化使用场景。

模型训练热门AI工具内容创作智能问答AI开发讯飞星火大模型多语种支持智慧生活
Spark-TTS

Spark-TTS

一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型

Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目，由多个知名机构联合参与。该项目提供了高效的 LLM（大语言模型）驱动的语音合成方案，支持语音克隆和语音创建功能，可通过命令行界面（CLI）和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数，生成高质量的语音。该项目适用于多种场景，如有声读物制作、智能语音助手开发等。

Trae

Trae

字节跳动发布的AI编程神器IDE

Trae是一种自适应的集成开发环境（IDE），通过自动化和多元协作改变开发流程。利用Trae，团队能够更快速、精确地编写和部署代码，从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能，是提升开发效率的理想工具。

热门AI工具生产力协作转型TraeAI IDE
咔片PPT

咔片PPT

AI助力，做PPT更简单！

咔片是一款轻量化在线演示设计工具，借助 AI 技术，实现从内容生成到智能设计的一站式 PPT 制作服务。支持多种文档格式导入生成 PPT，提供海量模板、智能美化、素材替换等功能，适用于销售、教师、学生等各类人群，能高效制作出高品质 PPT，满足不同场景演示需求。

讯飞绘文

讯飞绘文

选题、配图、成文，一站式创作，让内容运营更高效

讯飞绘文，一个AI集成平台，支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容，加速品牌传播，提升内容营销效果。

AI助手热门AI工具AI创作AI辅助写作讯飞绘文内容运营个性化文章多平台分发
材料星

材料星

专业的AI公文写作平台，公文写作神器

AI 材料星，专业的 AI 公文写作辅助平台，为体制内工作人员提供高效的公文写作解决方案。拥有海量公文文库、9 大核心 AI 功能，支持 30 + 文稿类型生成，助力快速完成领导讲话、工作总结、述职报告等材料，提升办公效率，是体制打工人的得力写作神器。

openai-agents-python

openai-agents-python

OpenAI Agents SDK，助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK，它为开发者提供了与 OpenAI 模型交互的高效工具，支持工具调用、结果处理、追踪等功能，涵盖多种应用场景，如研究助手、财务研究等，能显著提升开发效率，让开发者更轻松地利用 OpenAI 的技术优势。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具，支持从文本描述、单张图片或多视角图片生成 3D 模型，具备快速形状生成能力，可生成带纹理的高质量 3D 模型，适用于多个领域，为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目，涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作，如创建文件和目录、设置布局等，同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景，能够提高系统的性能和可靠性，是分布式存储领域的优质解决方案。

下拉加载更多