Relatório Técnico UI-TARS-2: Avançando o Agente de Interface Gráfica com Aprendizado por Reforço em Múltiplos Turnos
UI-TARS-2 Technical Report: Advancing GUI Agent with Multi-Turn Reinforcement Learning
September 2, 2025
Autores: Haoming Wang, Haoyang Zou, Huatong Song, Jiazhan Feng, Junjie Fang, Junting Lu, Longxiang Liu, Qinyu Luo, Shihao Liang, Shijue Huang, Wanjun Zhong, Yining Ye, Yujia Qin, Yuwen Xiong, Yuxin Song, Zhiyong Wu, Bo Li, Chen Dun, Chong Liu, Fuxing Leng, Hanbin Wang, Hao Yu, Haobin Chen, Hongyi Guo, Jing Su, Jingjia Huang, Kai Shen, Kaiyu Shi, Lin Yan, Peiyao Zhao, Pengfei Liu, Qinghao Ye, Renjie Zheng, Wayne Xin Zhao, Wen Heng, Wenhao Huang, Wenqian Wang, Xiaobo Qin, Yi Lin, Youbin Wu, Zehui Chen, Zihao Wang, Baoquan Zhong, Xinchun Zhang, Xujing Li, Yuanfan Li, Zhongkai Zhao, Chengquan Jiang, Faming Wu, Haotian Zhou, Jinlin Pang, Li Han, Qianli Ma, Siyao Liu, Songhua Cai, Wenqi Fu, Xin Liu, Zhi Zhang, Bo Zhou, Guoliang Li, Jiajun Shi, Jiale Yang, Jie Tang, Li Li, Taoran Lu, Woyu Lin, Xiaokang Tong, Xinyao Li, Yichi Zhang, Yu Miao, Zhengxuan Jiang, Zili Li, Ziyuan Zhao, Chenxin Li, Dehua Ma, Feng Lin, Ge Zhang, Haihua Yang, Hangyu Guo, Hongda Zhu, Jiaheng Liu, Junda Du, Kai Cai, Kuanye Li, Lichen Yuan, Meilan Han, Minchao Wang, Shuyue Guo, Tianhao Cheng, Xiaobo Ma, Xiaojun Xiao, Xiaolong Huang, Xinjie Chen, Yidi Du, Yilin Chen, Yiwen Wang, Zhaojian Li, Zhenzhu Yang, Zhiyuan Zeng, Chaolin Jin, Chen Li, Hao Chen, Haoli Chen, Jian Chen, Qinghao Zhao, Guang Shi
cs.AI
Resumo
O desenvolvimento de agentes autônomos para interfaces gráficas de usuário (GUIs) apresenta desafios significativos na inteligência artificial. Embora avanços recentes em modelos de agentes nativos tenham mostrado promessas ao unificar percepção, raciocínio, ação e memória por meio de aprendizado de ponta a ponta, problemas em aberto permanecem em escalabilidade de dados, aprendizado por reforço multi-turn (RL), as limitações da operação exclusiva em GUI e a estabilidade do ambiente. Neste relatório técnico, apresentamos o UI-TARS-2, um modelo de agente centrado em GUI que aborda esses desafios por meio de uma metodologia de treinamento sistemática: um ciclo de dados para geração escalável de dados, um framework de RL multi-turn estabilizado, um ambiente híbrido de GUI que integra sistemas de arquivos e terminais, e uma plataforma unificada de sandbox para implantações em larga escala. A avaliação empírica demonstra que o UI-TARS-2 alcança melhorias significativas em relação ao seu antecessor, o UI-TARS-1.5. Em benchmarks de GUI, ele atinge 88,2 no Online-Mind2Web, 47,5 no OSWorld, 50,6 no WindowsAgentArena e 73,3 no AndroidWorld, superando baselines robustos como os agentes Claude e OpenAI. Em ambientes de jogos, ele atinge uma pontuação normalizada média de 59,8 em um conjunto de 15 jogos — aproximadamente 60% do desempenho humano — e mantém-se competitivo com modelos proprietários de ponta (por exemplo, OpenAI o3) no LMGame-Bench. Além disso, o modelo pode generalizar para tarefas de busca de informação de longo prazo e benchmarks de engenharia de software, destacando sua robustez em diversas tarefas de agentes. Análises detalhadas da dinâmica de treinamento fornecem insights adicionais sobre como alcançar estabilidade e eficiência em RL de agentes em larga escala. Esses resultados ressaltam o potencial do UI-TARS-2 para avançar o estado da arte em agentes de GUI e exibir forte generalização para cenários interativos do mundo real.
English
The development of autonomous agents for graphical user interfaces (GUIs)
presents major challenges in artificial intelligence. While recent advances in
native agent models have shown promise by unifying perception, reasoning,
action, and memory through end-to-end learning, open problems remain in data
scalability, multi-turn reinforcement learning (RL), the limitations of
GUI-only operation, and environment stability. In this technical report, we
present UI-TARS-2, a native GUI-centered agent model that addresses these
challenges through a systematic training methodology: a data flywheel for
scalable data generation, a stabilized multi-turn RL framework, a hybrid GUI
environment that integrates file systems and terminals, and a unified sandbox
platform for large-scale rollouts. Empirical evaluation demonstrates that
UI-TARS-2 achieves significant improvements over its predecessor UI-TARS-1.5.
On GUI benchmarks, it reaches 88.2 on Online-Mind2Web, 47.5 on OSWorld, 50.6 on
WindowsAgentArena, and 73.3 on AndroidWorld, outperforming strong baselines
such as Claude and OpenAI agents. In game environments, it attains a mean
normalized score of 59.8 across a 15-game suite-roughly 60% of human-level
performance-and remains competitive with frontier proprietary models (e.g.,
OpenAI o3) on LMGame-Bench. Additionally, the model can generalize to
long-horizon information-seeking tasks and software engineering benchmarks,
highlighting its robustness across diverse agent tasks. Detailed analyses of
training dynamics further provide insights into achieving stability and
efficiency in large-scale agent RL. These results underscore UI-TARS-2's
potential to advance the state of GUI agents and exhibit strong generalization
to real-world interactive scenarios.