UI-TARS-1.5-7B là mô hình tác nhân GUI đa phương thức 7B do ByteDance phát hành, tập trung dùng máy tính tổng quát. Mô hình kết hợp nhận thức trực quan giao diện với suy luận trước hành động, xây trên kiến trúc UI-TARS nguyên bản bằng học tăng cường. Đầu vào trong quy trình chính thức là chỉ dẫn, ảnh chụp màn hình và lịch sử hành động; đầu ra mô tả hành động giao diện tiếp theo, thường có Thought giải thích bước dự kiến. Ứng dụng bao quanh thực thi hành động và cung cấp ảnh chụp mới để tiếp tục nhiệm vụ.
Nhà cung cấp phân biệt điểm kiểm tra 7B tải xuống được này với mô hình nghiên cứu UI-TARS-1.5 lớn hơn. Bản 7B không được tối ưu riêng cho tình huống trò chơi, nên trình diễn và kết quả mô hình nghiên cứu lớn không được coi là năng lực tương đương của phiên bản này. Vai trò thực tế là tương tác với điều khiển ứng dụng nhìn thấy: duyệt web, phần mềm văn phòng, quản lý tệp và quy trình máy tính tương tự. Đọc ảnh chụp, chọn hành động khác với tạo video hoặc lấy trạng thái ứng dụng không nhìn thấy.
Kho chính thức mô tả mẫu hành động máy tính và di động. Hành động máy tính gồm nhấp, nhấp đúp, nhấp phải, kéo, phím tắt, nhập chữ, cuộn, cùng wait và finished để kiểm tra màn hình thay đổi hoặc kết thúc nhiệm vụ. Mẫu di động thêm nhấn giữ, mở ứng dụng, về màn hình chính hoặc quay lại. Mẫu định vị riêng yêu cầu Action không có Thought, dành cho nhiệm vụ đầu ra hành động nhẹ. Chọn từ vựng hành động môi trường thực thi thực sự hiểu thay vì coi mọi mẫu hoán đổi được.
Bản yêu cầu hữu ích nêu mục tiêu, cung cấp ảnh chụp hiện tại, lịch sử hành động liên quan và định nghĩa hoàn thành. Ví dụ, bản yêu cầu biên tập cụ thể có thể đề nghị tìm cài đặt mang tên, đổi sang giá trị chỉ định, dừng sau khi trạng thái mới nhìn thấy. Yêu cầu bước tiếp theo trên màn hình hiện tại thay vì chuỗi suy đoán dài. Giữ chỉ dẫn và giới hạn thao tác được phép rõ; sau bước đã thực thi, trả màn hình kết quả để suy luận kế tiếp dùng quan sát thay vì giả định điều đã xảy ra.
Xử lý tọa độ là phần quan trọng trong quy trình chính thức. Kho tách dự đoán mô hình khỏi hậu xử lý phân tích hành động, ánh xạ đích lên màn hình. Hướng dẫn tọa độ minh họa đổi tọa độ ảnh đã đổi kích thước về kích thước ảnh gốc. Giữ chiều rộng, cao ảnh chụp gốc, dùng quy ước tọa độ của đúng mẫu hành động và bộ phân tích. Vị trí trông hợp lý trên ảnh đổi kích thước có thể trỏ điều khiển khác nếu áp trực tiếp lên màn hình chưa đổi tỷ lệ. Vì vậy văn bản hành động của mô hình là chỉ dẫn cần diễn giải, không phải sự kiện chuột đã thực thi.
Hướng dẫn triển khai đưa ví dụ một bước cụ thể có kết quả chứa Thought, Action, còn ứng dụng máy tính của kho là bề mặt thực thi riêng. Độ dài đầu vào cấu hình và hạn mức đầu ra mẫu là cài đặt triển khai, không phải tuyên bố chung về ngữ cảnh hoặc giới hạn hành động của mọi tích hợp. Với GUI thực tế, gửi ảnh chụp rõ, dễ đọc, có điều khiển và ngữ cảnh xung quanh cần cho quyết định tiếp. UI-TARS có thể nhận sai phần tử, mô tả sai giao diện lạ hoặc chọn hành động chưa tối ưu, nhất là khi màn hình mơ hồ; kiểm tra ảnh chụp mới sau mỗi hành động giữ các lỗi ấy gắn với trạng thái nhiệm vụ thực tế.
", "aboutText": "UI-TARS-1.5-7B là mô hình tác nhân GUI đa phương thức 7B do ByteDance phát hành, tập trung dùng máy tính tổng quát. Mô hình kết hợp nhận thức trực quan giao diện với suy luận trước hành động, xây trên kiến trúc UI-TARS nguyên bản bằng học tăng cường. Đầu vào trong quy trình chính thức là chỉ dẫn, ảnh chụp màn hình và lịch sử hành động; đầu ra mô tả hành động giao diện tiếp theo, thường có Thought giải thích bước dự kiến. Ứng dụng bao quanh thực thi hành động và cung cấp ảnh chụp mới để tiếp tục nhiệm vụ.\n\nNhà cung cấp phân biệt điểm kiểm tra 7B tải xuống được này với mô hình nghiên cứu UI-TARS-1.5 lớn hơn. Bản 7B không được tối ưu riêng cho tình huống trò chơi, nên trình diễn và kết quả mô hình nghiên cứu lớn không được coi là năng lực tương đương của phiên bản này. Vai trò thực tế là tương tác với điều khiển ứng dụng nhìn thấy: duyệt web, phần mềm văn phòng, quản lý tệp và quy trình máy tính tương tự. Đọc ảnh chụp, chọn hành động khác với tạo video hoặc lấy trạng thái ứng dụng không nhìn thấy.\n\nKho chính thức mô tả mẫu hành động máy tính và di động. Hành động máy tính gồm nhấp, nhấp đúp, nhấp phải, kéo, phím tắt, nhập chữ, cuộn, cùng wait và finished để kiểm tra màn hình thay đổi hoặc kết thúc nhiệm vụ. Mẫu di động thêm nhấn giữ, mở ứng dụng, về màn hình chính hoặc quay lại. Mẫu định vị riêng yêu cầu Action không có Thought, dành cho nhiệm vụ đầu ra hành động nhẹ. Chọn từ vựng hành động môi trường thực thi thực sự hiểu thay vì coi mọi mẫu hoán đổi được.\n\nBản yêu cầu hữu ích nêu mục tiêu, cung cấp ảnh chụp hiện tại, lịch sử hành động liên quan và định nghĩa hoàn thành. Ví dụ, bản yêu cầu biên tập cụ thể có thể đề nghị tìm cài đặt mang tên, đổi sang giá trị chỉ định, dừng sau khi trạng thái mới nhìn thấy. Yêu cầu bước tiếp theo trên màn hình hiện tại thay vì chuỗi suy đoán dài. Giữ chỉ dẫn và giới hạn thao tác được phép rõ; sau bước đã thực thi, trả màn hình kết quả để suy luận kế tiếp dùng quan sát thay vì giả định điều đã xảy ra.\n\nXử lý tọa độ là phần quan trọng trong quy trình chính thức. Kho tách dự đoán mô hình khỏi hậu xử lý phân tích hành động, ánh xạ đích lên màn hình. Hướng dẫn tọa độ minh họa đổi tọa độ ảnh đã đổi kích thước về kích thước ảnh gốc. Giữ chiều rộng, cao ảnh chụp gốc, dùng quy ước tọa độ của đúng mẫu hành động và bộ phân tích. Vị trí trông hợp lý trên ảnh đổi kích thước có thể trỏ điều khiển khác nếu áp trực tiếp lên màn hình chưa đổi tỷ lệ. Vì vậy văn bản hành động của mô hình là chỉ dẫn cần diễn giải, không phải sự kiện chuột đã thực thi.\n\nHướng dẫn triển khai đưa ví dụ một bước cụ thể có kết quả chứa Thought, Action, còn ứng dụng máy tính của kho là bề mặt thực thi riêng. Độ dài đầu vào cấu hình và hạn mức đầu ra mẫu là cài đặt triển khai, không phải tuyên bố chung về ngữ cảnh hoặc giới hạn hành động của mọi tích hợp. Với GUI thực tế, gửi ảnh chụp rõ, dễ đọc, có điều khiển và ngữ cảnh xung quanh cần cho quyết định tiếp. UI-TARS có thể nhận sai phần tử, mô tả sai giao diện lạ hoặc chọn hành động chưa tối ưu, nhất là khi màn hình mơ hồ; kiểm tra ảnh chụp mới sau mỗi hành động giữ các lỗi ấy gắn với trạng thái nhiệm vụ thực tế.", "editorialOverlay": { "copy_fields": { "practical_html": "Ví dụ kỹ thuật bằng tiếng Anh
Choose a safe next interface step\n\nGoal: enable weekly email summaries. Text description of the current settings page: a checkbox labelled Weekly summary is unchecked; a Save button is below it. History: settings opened, no changes saved. Describe the next interface action and the state to verify afterward. Use labels rather than inventing screen coordinates.One proposed action, a brief reason and the resulting visible state an application should check.Check that the answer proposes checking Weekly summary before saving and does not claim that any click was executed.bytedance/ui-tars-1.5-7bUI-TARS-1.5-7B là mô hình đa phương thức mở của ByteDance cho tác nhân dùng máy tính. Mô hình suy luận trên ảnh chụp màn hình và nhiệm vụ, rồi tạo hành động GUI tiếp theo để ứng dụng thực thi; bản 7B này tập trung dùng máy tính tổng quát thay vì tối ưu trò chơi.
Mô tả này trình bày khả năng của mô hình. Đầu vào, đầu ra và tùy chọn có trên Ailoot được liệt kê bên dưới cho phương thức đã chọn.
UI-TARS-1.5-7B là mô hình tác nhân GUI đa phương thức 7B do ByteDance phát hành, tập trung dùng máy tính tổng quát. Mô hình kết hợp nhận thức trực quan giao diện với suy luận trước hành động, xây trên kiến trúc UI-TARS nguyên bản bằng học tăng cường. Đầu vào trong quy trình chính thức là chỉ dẫn, ảnh chụp màn hình và lịch sử hành động; đầu ra mô tả hành động giao diện tiếp theo, thường có Thought giải thích bước dự kiến. Ứng dụng bao quanh thực thi hành động và cung cấp ảnh chụp mới để tiếp tục nhiệm vụ.
Nhà cung cấp phân biệt điểm kiểm tra 7B tải xuống được này với mô hình nghiên cứu UI-TARS-1.5 lớn hơn. Bản 7B không được tối ưu riêng cho tình huống trò chơi, nên trình diễn và kết quả mô hình nghiên cứu lớn không được coi là năng lực tương đương của phiên bản này. Vai trò thực tế là tương tác với điều khiển ứng dụng nhìn thấy: duyệt web, phần mềm văn phòng, quản lý tệp và quy trình máy tính tương tự. Đọc ảnh chụp, chọn hành động khác với tạo video hoặc lấy trạng thái ứng dụng không nhìn thấy.
Kho chính thức mô tả mẫu hành động máy tính và di động. Hành động máy tính gồm nhấp, nhấp đúp, nhấp phải, kéo, phím tắt, nhập chữ, cuộn, cùng wait và finished để kiểm tra màn hình thay đổi hoặc kết thúc nhiệm vụ. Mẫu di động thêm nhấn giữ, mở ứng dụng, về màn hình chính hoặc quay lại. Mẫu định vị riêng yêu cầu Action không có Thought, dành cho nhiệm vụ đầu ra hành động nhẹ. Chọn từ vựng hành động môi trường thực thi thực sự hiểu thay vì coi mọi mẫu hoán đổi được.
Bản yêu cầu hữu ích nêu mục tiêu, cung cấp ảnh chụp hiện tại, lịch sử hành động liên quan và định nghĩa hoàn thành. Ví dụ, bản yêu cầu biên tập cụ thể có thể đề nghị tìm cài đặt mang tên, đổi sang giá trị chỉ định, dừng sau khi trạng thái mới nhìn thấy. Yêu cầu bước tiếp theo trên màn hình hiện tại thay vì chuỗi suy đoán dài. Giữ chỉ dẫn và giới hạn thao tác được phép rõ; sau bước đã thực thi, trả màn hình kết quả để suy luận kế tiếp dùng quan sát thay vì giả định điều đã xảy ra.
Xử lý tọa độ là phần quan trọng trong quy trình chính thức. Kho tách dự đoán mô hình khỏi hậu xử lý phân tích hành động, ánh xạ đích lên màn hình. Hướng dẫn tọa độ minh họa đổi tọa độ ảnh đã đổi kích thước về kích thước ảnh gốc. Giữ chiều rộng, cao ảnh chụp gốc, dùng quy ước tọa độ của đúng mẫu hành động và bộ phân tích. Vị trí trông hợp lý trên ảnh đổi kích thước có thể trỏ điều khiển khác nếu áp trực tiếp lên màn hình chưa đổi tỷ lệ. Vì vậy văn bản hành động của mô hình là chỉ dẫn cần diễn giải, không phải sự kiện chuột đã thực thi.
Hướng dẫn triển khai đưa ví dụ một bước cụ thể có kết quả chứa Thought, Action, còn ứng dụng máy tính của kho là bề mặt thực thi riêng. Độ dài đầu vào cấu hình và hạn mức đầu ra mẫu là cài đặt triển khai, không phải tuyên bố chung về ngữ cảnh hoặc giới hạn hành động của mọi tích hợp. Với GUI thực tế, gửi ảnh chụp rõ, dễ đọc, có điều khiển và ngữ cảnh xung quanh cần cho quyết định tiếp. UI-TARS có thể nhận sai phần tử, mô tả sai giao diện lạ hoặc chọn hành động chưa tối ưu, nhất là khi màn hình mơ hồ; kiểm tra ảnh chụp mới sau mỗi hành động giữ các lỗi ấy gắn với trạng thái nhiệm vụ thực tế.
POST /v1/chat/completionstexttext| Trường | Loại | Yêu cầu | Giá trị & giới hạn | Mặc định |
|---|---|---|---|---|
Trườngmodel | Loạistring | Yêu cầuBắt buộc | Giá trị & giới hạn bytedance/ui-tars-1.5-7b | Mặc định— |
Trườngmessages | Loạimessage[] | Yêu cầuBắt buộc | Giá trị & giới hạn Số mục tối thiểu: 1 | Mặc định— |
Trườngmessages[].role | Loạistring | Yêu cầuBắt buộc | Giá trị & giới hạn Ví dụ: system, user, assistant, tool, function Điều kiện: Các vai trò này được biểu diễn rõ trong các kiểu tương thích của mã nguồn; tập vai trò chính xác vẫn tùy từng mô hình. Tùy thuộc vào mô hình | Mặc định— |
Trườngmessages[].content | Loạistring|content_part[]|null | Yêu cầuKhông bắt buộc | Giá trị & giới hạn | Mặc định— |
Trườngmessages[].tool_calls | Loạitool_call[] | Yêu cầuKhông bắt buộc | Giá trị & giới hạn | Mặc định— |
Trườngmessages[].tool_call_id | Loạistring | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Áp dụng khi: role=tool; dùng ID thực tế được trả về | Mặc định— |
Trườngmessages[].name | Loạistring | Yêu cầuKhông bắt buộc | Giá trị & giới hạn | Mặc định— |
Trườngmessages[].reasoning_content | Loạistring | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Áp dụng khi: Gửi lại dữ liệu suy luận thực tế đã được trả về khi mô hình này sử dụng dữ liệu đó | Mặc định— |
Trườngmessages[].reasoning_details | Loạiobject|array | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngmax_tokens | Loạiinteger | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tối thiểu: 1 Tùy thuộc vào mô hình | Mặc định— |
Trườngmax_completion_tokens | Loạiinteger | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tối thiểu: 1 Tùy thuộc vào mô hình | Mặc định— |
Trườngstream | Loạiboolean | Yêu cầuKhông bắt buộc | Giá trị & giới hạn | Mặc địnhfalse |
Trườngstream_options.include_usage | Loạiboolean | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngtemperature | Loạinumber | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngtop_p | Loạinumber | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngstop | Loạistring|string[] | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngtools | Loạifunction_tool[] | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngtools[].type | Loạistring | Yêu cầuKhông bắt buộc | Giá trị & giới hạn function Tùy thuộc vào mô hình | Mặc định— |
Trườngtools[].function.name | Loạistring | Yêu cầuBắt buộc | Giá trị & giới hạn Áp dụng khi: Có cung cấp công cụ hàm | Mặc định— |
Trườngtools[].function.description | Loạistring | Yêu cầuKhông bắt buộc | Giá trị & giới hạn | Mặc định— |
Trườngtools[].function.parameters | LoạiJSON_schema | Yêu cầuKhông bắt buộc | Giá trị & giới hạn | Mặc định— |
Trườngtool_choice | Loạistring|object | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngparallel_tool_calls | Loạiboolean | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngresponse_format | Loạiobject | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngreasoning_effort | Loạistring | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngreasoning | Loạiobject | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngservice_tier | Loạistring | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườnginstructions | Loạistring | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Trường tương thích | Mặc định— |
Trườngfunctions | Loạifunction[] | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngfunction_call | Loạistring|object | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngprompt_cache_options | Loạiobject | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngmodalities | Loạistring[] | Yêu cầuKhông bắt buộc | Giá trị & giới hạn text | Mặc định— |
Trườngprovider | Loạiobject | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Điều kiện: provider.options bị từ chối trên tuyến văn bản Ultra này | Mặc định— |
Trườngcache_control.ttl | Loạistring | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Điều kiện: 1h bị từ chối tại các vị trí lưu đệm prompt thực tế | Mặc định— |
Văn bản · Văn bản UTF8
messages[].content
| Tham số | Hợp đồng |
|---|---|
Tham sốcontent_type | Hợp đồngapplication/json |
Tham sốrequired | Hợp đồngmodel, messages |
Tham sốmaterial_types | Hợp đồngtext |
Tham sốmessages | Hợp đồngMảng thông điệp có cấu trúc role/content |
Tham sốfile_material | Hợp đồngTài liệu UTF-8 thực tế được chèn nguyên dạng văn bản; không suy ra ID tệp |
Tham sốoptional_controls | Hợp đồngstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Tham sốcontrol_scope | Hợp đồngTùy từng mô hình; công cụ hàm của người dùng khác với công cụ do dịch vụ cung cấp |
Tham sốoutput_modalities | Hợp đồngtext |
Tham sốhosted_operations | Hợp đồngfalse |
Tham sốmultimodal_input_binding | Hợp đồngnull |
Vòng đời: synchronous_or_streamed
Gửi ID mô hình chính xác cùng messages.
Độ dài ngữ cảnh không phải giới hạn đầu ra.
Tệp văn bản có thể cung cấp nguyên văn nội dung; đầu vào hình ảnh, âm thanh hoặc đối tượng tệp cần có liên kết chính xác.
Thông tin biểu giá không bổ sung tùy chọn yêu cầu. Các tham số được hỗ trợ nằm trong phương thức đã chọn.
Đối chiếu từng khoản phí với điều kiện hiển thị. Dùng một mức phí cho mỗi nhóm cấu hình thay thế.
| Cấu hình | Biểu mức phí | Token ngữ cảnh, lớn hơn | Token ngữ cảnh, tối đa và bao gồm | Phí |
|---|---|---|---|---|
| Cấu hìnhGiá cơ sở cho token | Biểu mức phíMức phí cơ bản | Token ngữ cảnh, lớn hơn— | Token ngữ cảnh, tối đa và bao gồmKhông có giới hạn trên | Phí Đầu vào · Token đầu vào $0.0002 / 1K token Đầu ra · Token đầu ra $0.0004 / 1K token Đầu vào · Đọc bộ nhớ đệm $0.0002 / 1K token Đầu vào · Ghi bộ nhớ đệm — / 1K token Đầu vào · Ghi bộ nhớ đệm, 1 giờ — / 1K token |
| Cấu hìnhBậc 1 theo độ dài yêu cầu | Biểu mức phí— | Token ngữ cảnh, lớn hơn0 | Token ngữ cảnh, tối đa và bao gồmKhông có giới hạn trên | Phí Đầu vào · Token đầu vào $0.0002 / 1K token Đầu ra · Token đầu ra $0.0004 / 1K token Đầu vào · Đọc bộ nhớ đệm $0.0002 / 1K token Đầu vào · Ghi bộ nhớ đệm — / 1K token Đầu vào · Ghi bộ nhớ đệm, 1 giờ — / 1K token |
Ailoot tạm giữ một khoản ước tính trước yêu cầu. Sau khi có kết quả, phí cuối cùng được quyết toán theo mức sử dụng đo được. Việc quyết toán khi truyền luồng dùng bản ghi mức sử dụng cuối cùng. Cách hoạt động của cơ chế tạm giữ và quyết toán →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "bytedance/ui-tars-1.5-7b", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='bytedance/ui-tars-1.5-7b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='bytedance/ui-tars-1.5-7b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson hoặc SSE
Lưu mọi phản hồi hoàn chỉnh, tệp và phần nội dung được trả về.
Giữ mọi phương án trả lời cùng nội dung, lệnh gọi công cụ và dữ liệu suy luận của phương án đó. Với SSE, ghép các phần thay đổi theo chỉ số phương án và công cụ, giữ lý do kết thúc cuối cùng cùng dữ liệu sử dụng.
Giữ ID và header của yêu cầu, phản hồi. Không cung cấp URL chung để truy xuất tác vụ văn bản.
| Trường | Loại |
|---|---|
Trườngchoices[].index | Loạiinteger |
Trườngchoices[].message.content | Loạistring|null |
Trườngchoices[].message.tool_calls | Loạitool_call[] |
Trườngchoices[].message.reasoning_content | Loạistring |
Trườngchoices[].message.reasoning_details | Loạiobject|array |
Trườngchoices[].finish_reason | Loạistring|null |
Trườngusage | Loạiobject |
| Phản hồi | Điều kiện | Bước tiếp theo |
|---|---|---|
Phản hồi400 · invalid_request_error | Điều kiệnTrường bắt buộc, cách biểu diễn tài liệu hoặc giá trị tham số không hợp lệ | Bước tiếp theoSửa các trường được chỉ ra trước khi gửi yêu cầu tạo mới. |
Ailoot Ultra bytedance/ui-tars-1.5-7b
Dùng các đường dẫn phương thức hiển thị ở trên.
bytedance/ui-tars-1.5-7bUI-TARS-1.5-7B là mô hình đa phương thức mở của ByteDance cho tác nhân dùng máy tính. Mô hình suy luận trên ảnh chụp màn hình và nhiệm vụ, rồi tạo hành động GUI tiếp theo để ứng dụng thực thi; bản 7B này tập trung dùng máy tính tổng quát thay vì tối ưu trò chơi.
Mô tả này trình bày khả năng của mô hình. Đầu vào, đầu ra và tùy chọn có trên Ailoot được liệt kê bên dưới cho phương thức đã chọn.
UI-TARS-1.5-7B là mô hình tác nhân GUI đa phương thức 7B do ByteDance phát hành, tập trung dùng máy tính tổng quát. Mô hình kết hợp nhận thức trực quan giao diện với suy luận trước hành động, xây trên kiến trúc UI-TARS nguyên bản bằng học tăng cường. Đầu vào trong quy trình chính thức là chỉ dẫn, ảnh chụp màn hình và lịch sử hành động; đầu ra mô tả hành động giao diện tiếp theo, thường có Thought giải thích bước dự kiến. Ứng dụng bao quanh thực thi hành động và cung cấp ảnh chụp mới để tiếp tục nhiệm vụ.
Nhà cung cấp phân biệt điểm kiểm tra 7B tải xuống được này với mô hình nghiên cứu UI-TARS-1.5 lớn hơn. Bản 7B không được tối ưu riêng cho tình huống trò chơi, nên trình diễn và kết quả mô hình nghiên cứu lớn không được coi là năng lực tương đương của phiên bản này. Vai trò thực tế là tương tác với điều khiển ứng dụng nhìn thấy: duyệt web, phần mềm văn phòng, quản lý tệp và quy trình máy tính tương tự. Đọc ảnh chụp, chọn hành động khác với tạo video hoặc lấy trạng thái ứng dụng không nhìn thấy.
Kho chính thức mô tả mẫu hành động máy tính và di động. Hành động máy tính gồm nhấp, nhấp đúp, nhấp phải, kéo, phím tắt, nhập chữ, cuộn, cùng wait và finished để kiểm tra màn hình thay đổi hoặc kết thúc nhiệm vụ. Mẫu di động thêm nhấn giữ, mở ứng dụng, về màn hình chính hoặc quay lại. Mẫu định vị riêng yêu cầu Action không có Thought, dành cho nhiệm vụ đầu ra hành động nhẹ. Chọn từ vựng hành động môi trường thực thi thực sự hiểu thay vì coi mọi mẫu hoán đổi được.
Bản yêu cầu hữu ích nêu mục tiêu, cung cấp ảnh chụp hiện tại, lịch sử hành động liên quan và định nghĩa hoàn thành. Ví dụ, bản yêu cầu biên tập cụ thể có thể đề nghị tìm cài đặt mang tên, đổi sang giá trị chỉ định, dừng sau khi trạng thái mới nhìn thấy. Yêu cầu bước tiếp theo trên màn hình hiện tại thay vì chuỗi suy đoán dài. Giữ chỉ dẫn và giới hạn thao tác được phép rõ; sau bước đã thực thi, trả màn hình kết quả để suy luận kế tiếp dùng quan sát thay vì giả định điều đã xảy ra.
Xử lý tọa độ là phần quan trọng trong quy trình chính thức. Kho tách dự đoán mô hình khỏi hậu xử lý phân tích hành động, ánh xạ đích lên màn hình. Hướng dẫn tọa độ minh họa đổi tọa độ ảnh đã đổi kích thước về kích thước ảnh gốc. Giữ chiều rộng, cao ảnh chụp gốc, dùng quy ước tọa độ của đúng mẫu hành động và bộ phân tích. Vị trí trông hợp lý trên ảnh đổi kích thước có thể trỏ điều khiển khác nếu áp trực tiếp lên màn hình chưa đổi tỷ lệ. Vì vậy văn bản hành động của mô hình là chỉ dẫn cần diễn giải, không phải sự kiện chuột đã thực thi.
Hướng dẫn triển khai đưa ví dụ một bước cụ thể có kết quả chứa Thought, Action, còn ứng dụng máy tính của kho là bề mặt thực thi riêng. Độ dài đầu vào cấu hình và hạn mức đầu ra mẫu là cài đặt triển khai, không phải tuyên bố chung về ngữ cảnh hoặc giới hạn hành động của mọi tích hợp. Với GUI thực tế, gửi ảnh chụp rõ, dễ đọc, có điều khiển và ngữ cảnh xung quanh cần cho quyết định tiếp. UI-TARS có thể nhận sai phần tử, mô tả sai giao diện lạ hoặc chọn hành động chưa tối ưu, nhất là khi màn hình mơ hồ; kiểm tra ảnh chụp mới sau mỗi hành động giữ các lỗi ấy gắn với trạng thái nhiệm vụ thực tế.
POST /v1/messagestextjson, sse| Trường | Loại | Yêu cầu | Giá trị & giới hạn | Mặc định |
|---|---|---|---|---|
Trườngmodel | Loạistring | Yêu cầuBắt buộc | Giá trị & giới hạn bytedance/ui-tars-1.5-7b | Mặc định— |
Trườngmessages | Loạimessage[] | Yêu cầuBắt buộc | Giá trị & giới hạn | Mặc định— |
Trườngmessages[].role | Loạistring | Yêu cầuBắt buộc | Giá trị & giới hạn user, assistant | Mặc định— |
Trườngmessages[].content | Loạistring | Yêu cầuBắt buộc | Giá trị & giới hạn | Mặc định— |
Trườngmax_tokens | Loạiinteger | Yêu cầuBắt buộc | Giá trị & giới hạn | Mặc định— |
Trườngstream | Loạiboolean | Yêu cầuKhông bắt buộc | Giá trị & giới hạn | Mặc địnhfalse |
Văn bản · Văn bản UTF-8
Chuỗi messages[].content
| Tham số | Hợp đồng |
|---|---|
Tham sốcontent_type | Hợp đồngapplication/json |
Tham sốrequired | Hợp đồngmodel, messages, max_tokens |
Tham sốoptional_controls | Hợp đồngstream |
Tham sốmaterial_types | Hợp đồngtext |
Tham sốtext_file_material | Hợp đồngĐọc tài liệu UTF-8 thực tế và đặt nội dung văn bản vào chuỗi đầu vào hoặc nội dung thông điệp được chỉ định. |
Vòng đời: synchronous_or_streamed
Thông tin biểu giá không bổ sung tùy chọn yêu cầu. Các tham số được hỗ trợ nằm trong phương thức đã chọn.
Đối chiếu từng khoản phí với điều kiện hiển thị. Dùng một mức phí cho mỗi nhóm cấu hình thay thế.
| Cấu hình | Biểu mức phí | Token ngữ cảnh, lớn hơn | Token ngữ cảnh, tối đa và bao gồm | Phí |
|---|---|---|---|---|
| Cấu hìnhGiá cơ sở cho token | Biểu mức phíMức phí cơ bản | Token ngữ cảnh, lớn hơn— | Token ngữ cảnh, tối đa và bao gồmKhông có giới hạn trên | Phí Đầu vào · Token đầu vào $0.0002 / 1K token Đầu ra · Token đầu ra $0.0004 / 1K token Đầu vào · Đọc bộ nhớ đệm $0.0002 / 1K token Đầu vào · Ghi bộ nhớ đệm — / 1K token Đầu vào · Ghi bộ nhớ đệm, 1 giờ — / 1K token |
| Cấu hìnhBậc 1 theo độ dài yêu cầu | Biểu mức phí— | Token ngữ cảnh, lớn hơn0 | Token ngữ cảnh, tối đa và bao gồmKhông có giới hạn trên | Phí Đầu vào · Token đầu vào $0.0002 / 1K token Đầu ra · Token đầu ra $0.0004 / 1K token Đầu vào · Đọc bộ nhớ đệm $0.0002 / 1K token Đầu vào · Ghi bộ nhớ đệm — / 1K token Đầu vào · Ghi bộ nhớ đệm, 1 giờ — / 1K token |
Ailoot tạm giữ một khoản ước tính trước yêu cầu. Sau khi có kết quả, phí cuối cùng được quyết toán theo mức sử dụng đo được. Việc quyết toán khi truyền luồng dùng bản ghi mức sử dụng cuối cùng. Cách hoạt động của cơ chế tạm giữ và quyết toán →
{\n "model": "bytedance/ui-tars-1.5-7b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'bytedance/ui-tars-1.5-7b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'bytedance/ui-tars-1.5-7b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON hoặc SSE
Lưu mọi phản hồi hoàn chỉnh, tệp và phần nội dung được trả về.
Giữ mọi khối nội dung, chữ ký suy nghĩ và ID sử dụng công cụ thực tế. Ghép tất cả các phần thay đổi của khối SSE; khối văn bản đầu tiên không phải toàn bộ đầu ra.
Giữ ID và header của yêu cầu, phản hồi. Không cung cấp URL chung để truy xuất tác vụ văn bản.
| Trường | Loại |
|---|---|
Trườngid | Loạistring |
Trườngmodel | Loạistring |
Trườngcontent[] | Loạitext|thinking|tool_use|other content block |
Trườngstop_reason | Loạistring|null |
Trườngusage | Loạiobject |
| Phản hồi | Điều kiện | Bước tiếp theo |
|---|---|---|
Phản hồi400 · invalid_request_error | Điều kiệnTrường bắt buộc, cách biểu diễn tài liệu hoặc giá trị tham số không hợp lệ | Bước tiếp theoSửa các trường được chỉ ra trước khi gửi yêu cầu tạo mới. |
Ailoot Ultra bytedance/ui-tars-1.5-7b
Dùng các đường dẫn phương thức hiển thị ở trên.
Ví dụ kỹ thuật bằng tiếng Anh
Choose a safe next interface step\n\nGoal: enable weekly email summaries. Text description of the current settings page: a checkbox labelled Weekly summary is unchecked; a Save button is below it. History: settings opened, no changes saved. Describe the next interface action and the state to verify afterward. Use labels rather than inventing screen coordinates.One proposed action, a brief reason and the resulting visible state an application should check.Check that the answer proposes checking Weekly summary before saving and does not claim that any click was executed.