UI-TARS-2

UI-TARS-2 是 UI-TARS 系列的新一代图形用户界面（graphical user interface, GUI）智能体。它的技术报告于 2025 年 9 月 2 日提交到 arXiv，9 月 4 日在 GitHub 公布，被描述为相对 UI-TARS-1.5 的大版本升级，采用“all in one”的一体化智能体设计。^[1][2] 所谓 GUI 智能体，是指模型通过观察屏幕、执行点击或输入等操作来完成任务，而不是只输出文字。

训练与模型构成 报告说，UI-TARS-2 使用面向 GUI 智能体的多轮强化学习（multi-turn reinforcement learning）训练。^[1] 强化学习的基本思路是让系统根据行动结果获得反馈，再调整后续行为；多轮则意味着反馈覆盖连续若干步操作。对 GUI 任务来说，这种训练方式对应的是跨多个界面和多个步骤完成任务，而不是只做一次判断。模型初始化自 Seed-thinking-1.6 的预训练检查点；这个检查点包含一个 5.32 亿参数的视觉编码器，以及一个采用专家混合（mixture-of-experts, MoE）结构的大语言模型，后者有 230 亿激活参数和 2300 亿总参数。^[3] 技术报告的作者名单列出 Haoming Wang 和另外 111 位作者，共 112 人。^[1] arXiv 上的报告在 2025 年 9 月 5 日更新了第二版。^[1]

主要特点 报告把 UI-TARS-2 放在一个覆盖多种环境的评测框架里。除了 GUI 操作，它还报告了在终端与软件工程任务中的结果，并在同一份报告中区分“仅 GUI”和“GUI-SDK”两种设置。^[1][3] 这种一体化设计是它相对前代的主要变化：同一个智能体被用于不同场景，而不是为每个场景单独描述一个模型。^[1] 报告还给出了模型底座的具体构成，说明视觉编码器与专家混合语言模型是它的起点。^[3]

基准成绩 报告给出的分数是：Online-Mind2Web 88.2，OSWorld 47.5，WindowsAgentArena 50.6，AndroidWorld 73.3。^[1] 在 15 个游戏组成的测试集上，它的平均归一化得分为 59.8，约为人类水平的 60%，并在 LMGame-Bench 上与 OpenAI o3 具有竞争力。^[1] 作者称，其 GUI 结果超过了 Claude 与 OpenAI 智能体等强基线。^[1] 这些数字是报告用来展示模型能力的直接材料，覆盖网页、桌面、安卓和游戏等不同任务。

GUI-SDK 设置 报告在 GUI-SDK 设置下给出 Terminal Bench 45.3% 和 SWE-Bench 68.7% 的成绩。^[3] 对 BrowseComp-zh，报告给出仅 GUI 设置 32.1%、GUI-SDK 设置 50.5%；对 BrowseComp-en，两个数字分别是 7.0% 和 29.6%。^[3] 这两个基准同时列出两种设置，使读者可以看到同一模型在不同设置下的差别。

在发展中的位置 从命名和报告内容看，UI-TARS-2 接在 UI-TARS-1.5 之后，是这条产品线的一次版本推进：它保留智能体定位，加入多轮强化学习，并把评测扩展到网页、桌面、安卓、游戏、终端和软件工程等任务。^[1][3] 报告本身也记录了模型的组成和作者规模，112 位作者和有第二版的 arXiv 文档说明这是一项团队工作。^[1] 对读者来说，UI-TARS-2 的意义在于它把“一个模型操作多种 GUI 环境”这件事拆成了可核对的训练方法、模型底座和基准分数，而不是只给出一句能力描述。