UI-TARS-2 तकनीकी रिपोर्ट एक स्थानीय GUI-केंद्रित एजेंट मॉडल पेश करती है जो डेटा स्केलेबिलिटी, बहु-चक्र प्रबलता सीखने और वातावरण स्थिरता में चुनौतियों को एक व्यवस्थित प्रशिक्षण विधि के माध्यम से संबोधित करता है। इस दृष्टिकोण में स्केलेबल डेटा उत्पादन के लिए एक डेटा फ्लाईव्हील, एक स्थिर बहु-चक्र RL फ्रेमवर्क, फाइल सिस्टम और टर्मिनल्स को एकीकृत करने वाला एक हाइब्रिड GUI वातावरण, और एक एकीकृत सैंडबॉक्स प्लेटफ़ॉर्म शामिल है।

  • GUI बेंचमार्कों पर, UI-TARS-2 Online-Mind2Web पर 88.2, OSWorld पर 47.5, WindowsAgentArena पर 50.6, और AndroidWorld पर 73.3 प्राप्त करता है, Claude और OpenAI एजेंट्स जैसे मजबूत आधारों को पार करता है।
  • गेम वातावरण में, यह 15-गेम के सेट में 59.8 का माध्य सामान्यीकृत स्कोर प्राप्त करता है, मानव-स्तर प्रदर्शन का लगभग 60% तक पहुंचता है और LMGame-Bench पर OpenAI o3 जैसे अग्रणी स्वामित्व वाले मॉडल्स के साथ प्रतिस्पर्धी रहता है।
  • मॉडल लंबे-अवधि जानकारी-खोज कार्यों और सॉफ्टवेयर इंजीनियरिंग बेंचमार्कों पर सामान्यीकरण करके दृढ़ता प्रदर्शित करता है।

ये परिणाम UI-TARS-2 की GUI एजेंट्स की स्थिति को आगे बढ़ाने की क्षमता और वास्तविक दुनिया के इंटरैक्टिव परिदृश्यों में मजबूत सामान्यीकरण प्रदर्शित करने पर जोर देते हैं।