Seventy3：借助NotebookLM的能力进行论文解读，专注人工智能、大模型、机器人算法方向，让大家跟着AI一起进步。
Summary
这些文本介绍了一个名为 UI-TARS 的 原生 GUI 代理模型，该模型旨在通过感知屏幕截图并执行模拟人类的键盘和鼠标操作来实现 自动化图形用户界面交互。不同于依赖于预定义框架或商业模型的传统方法，UI-TARS 是一个 端到端模型，它在感知、定位和 GUI 任务执行等多个基准测试中表现出色。文本深入探讨了 GUI 代理的演进路径，从基于规则的系统到更具自适应性的原生模型，并分析了原生代理模型的核心能力，包括 感知、行动、推理（系统1和系统2思维）和记忆。通过 大规模数据集训练 和 迭代学习过程，UI-TARS 不仅能够有效地处理复杂任务，还能从错误中吸取经验，实现 持续自我完善。
原文链接：https://arxiv.org/abs/2501.12326
