快速结论
UI-TARS Desktop 是一个原生桌面 GUI Agent：它观察屏幕截图，让视觉语言模型判断界面状态，再执行鼠标和键盘动作。它适合研究和验证那些没有稳定 API、必须通过图形界面完成的任务，例如修改应用设置、在浏览器里查找信息或跨多个桌面窗口操作。源码采用 Apache-2.0 许可证，可免费使用，但运行模型、远程计算机或第三方模型 API 仍可能产生硬件和调用成本。
不要把它与同仓库的 Agent TARS 混成一个产品。UI-TARS Desktop 是面向桌面用户的原生 GUI 应用，围绕 local computer、remote computer 和 browser operator 工作；Agent TARS 是其并列 sibling，主要提供通用多模态 Agent 的 CLI、Web UI 和 MCP 集成。本页只评估 UI-TARS Desktop，并以产品仓库作为 URL。对截止日期下的桌面能力，重点参考 UI-TARS Desktop v0.2：它加入免费的 Remote Computer Operator 与 Remote Browser Operator，但“免费”不等于无资源成本、无安全风险或有生产 SLA。
核心功能
- 视觉控制桌面：读取截图并识别按钮、输入框、菜单和状态，再产生点击、输入、滚动等动作。
- 本地计算机 Operator：在用户自己的 Windows 或 macOS 环境运行桌面任务，可接入 UI-TARS 或兼容视觉模型。
- 远程计算机 Operator：v0.2 提供远程计算机体验，适合把试验与日常设备隔离；远程环境的数据保留和可用性仍要核实。
- 远程浏览器 Operator：让 Agent 在隔离浏览器里执行网页任务，减少直接暴露本机浏览器资料的必要性。
- 实时状态反馈：显示观察与动作过程，便于用户中止、检查失败点和复现问题。
- 跨平台范围：官方说明覆盖 Windows、macOS 与浏览器场景；具体版本、签名、权限和模型支持应按 release 文档核验。
适合人群
- GUI Agent 研究者：评估视觉定位、动作规划和桌面任务成功率。
- 自动化开发者：处理缺乏 API 或 DOM 接口的应用流程。
- 愿意用隔离环境测试的团队：可使用测试账号、虚拟机或远程 operator，并设置网络和文件边界。
- 本地模型使用者：有足够显存、算力和运维能力，希望控制模型与截图处理位置。
- 不太适合的人群：希望无人监督操作个人主机、不能隔离敏感账号，或需要确定性、审计完备且高成功率生产 RPA 的团队。
使用场景
- 应用设置与重复操作：在测试环境中打开设置、修改选项并截图验证结果。
- 无 API 的桌面流程：操作遗留软件或内部工具，但先限制文件夹、账号和可访问域名。
- 浏览器研究任务：在远程浏览器中检索、整理和填写低风险内容，提交前人工确认。
- GUI Agent 基准测试：记录任务、动作数、失败原因和恢复次数，比较不同视觉模型。
- 辅助测试：对界面流程做探索性检查；正式回归仍应保留可复现脚本与断言。
价格与版本
UI-TARS Desktop 仓库与应用代码在 Apache-2.0 下免费开源。该许可证覆盖仓库代码，不自动覆盖所接入的模型权重、模型 API、云端运行环境、远程 operator 服务、测试网站内容或第三方数据。v0.2 的远程计算机与远程浏览器被官方标为免费体验，但截至 2026-07-21 不应据此假定永久无限额度或生产服务承诺。
总成本取决于选择：本地模型需要下载权重并承担 GPU、内存、电力和维护；托管视觉模型按供应商价格计费，并可能上传截图；远程计算机或浏览器将来可能有配额、排队和价格变化。评估时应同时记录每任务 token 或推理成本、平均完成时间、失败重试和人工接管成本。
国内访问与使用体验
GitHub 产品仓库本次可访问，needsVPN 标为 false；模型下载、远程 operator 和特定模型 API 的实际可达性可能不同。安装前要从正式 release 获取应用，核对签名、校验值、系统版本和权限提示。不要为了让 Agent “更好用”而授予整个磁盘、管理员权限、钥匙串、摄像头或不受限辅助功能权限。
屏幕是敏感输入面。截图可能包含聊天记录、源代码、客户资料、验证码、通知、密码管理器弹窗和其他窗口内容。本地运行只有在模型、日志、缓存和遥测也留在本地时才能缩小外传范围；连接云模型或远程 operator 时，截图和任务文本可能经过网络。应使用干净账号与隔离桌面，关闭通知，限定目录和域名，屏蔽密钥，并检查日志和截图的保存、上传与删除路径。
动作同样有边界。点击、输入和快捷键可能发送消息、删除文件、安装软件、授权 OAuth、运行命令或完成订单。高影响步骤必须暂停等待人工批准，包括登录、验证码、上传、外发、删除、执行程序、系统设置、购买和任何不可逆提交。可行时使用只读网络、站点白名单、虚拟机快照和最小权限账户，并保留一键停止和动作记录。
优点
- 直接通过视觉与鼠标键盘覆盖缺乏 API 的桌面界面。
- Apache-2.0 代码便于研究、修改和内部验证。
- 本地、远程计算机和浏览器 operator 提供不同隔离方案。
- 与 UI-TARS 模型研究和桌面应用结合紧密，适合 GUI Agent 实验。
不足
- 视觉定位会受缩放、主题、弹窗、动画、语言和界面变化影响。
- 免费代码不代表模型推理、GPU、云 API 或远程环境没有成本。
- 截图可能泄露屏幕上的敏感内容，动作可能产生真实且不可逆的后果。
- v0.2 远程能力仍需核实配额、数据处理、稳定性与支持承诺。
- 不适合用成功演示替代权限设计、回归测试、审计和人工批准。
替代品对比
| 工具 | 更适合谁 | 优势 | 不足 |
|---|---|---|---|
| Browser Use | 主要自动化网页的开发者 | 浏览器上下文和 Agent 生态成熟 | 不负责整台桌面与原生应用 |
| Browser Harness | 希望编码 Agent 自己编写浏览器辅助代码的团队 | 薄 CDP 层、可编辑 helper、任务录像 | 开发者导向，仍只覆盖浏览器 |
| Cursor | 主要目标是代码修改而非 GUI 操作的开发者 | 代码上下文、多文件编辑和审查体验完整 | 不是通用桌面 Operator |
| 传统 RPA | 需要确定性业务流程与企业控制的团队 | 规则、审计、权限和重放通常更成熟 | 对未知界面和自然语言任务适应较弱 |
常见问题 FAQ
UI-TARS Desktop 和 Agent TARS 是同一个产品吗？
不是。它们是同一 TARS 代码仓库中的并列项目。UI-TARS Desktop 是原生 GUI Agent；Agent TARS 是以 CLI、Web UI 和 MCP 为主的通用多模态 Agent 栈。
UI-TARS Desktop 免费吗？
代码采用 Apache-2.0，可免费使用。模型权重、GPU、第三方 API、网络和远程运行成本需要另算。
v0.2 增加了什么？
官方 v0.2 公告重点是 Remote Computer Operator 与 Remote Browser Operator，作为本地 operator 之外的隔离执行选项。
本地 Operator 是否保证截图不离开电脑？
不保证。还要看模型部署位置、API 配置、遥测、日志和缓存。若接入云模型，截图或派生内容可能通过网络发送。
可以让它自动登录、付款或删除文件吗？
技术上鼠标键盘可能触发这些动作，但不应无人监督执行。登录、验证码、支付、上传、外发、删除和系统变更必须人工批准。
它适合生产 RPA 吗？
适合先做研究和受控试点。需要稳定生产时，应测量成功率和恢复能力，并补上最小权限、隔离、审批、日志、回滚和传统确定性自动化。
总结
UI-TARS Desktop 的价值是让视觉模型跨越 API 边界，直接操作屏幕；它与 Agent TARS 有关联，但不是后者的桌面模式别名。评估 v0.2 时，应把本地、远程计算机和远程浏览器当作三种不同信任边界，分别检查截图去向、网络访问、文件权限和动作后果。先在虚拟机、测试账号和低风险任务中运行，所有外发与不可逆动作停下来等人确认。做到这些，它是有价值的 GUI Agent 试验平台；做不到，就不应把个人主机交给它自主操作。