2025年12月，一款名为「豆包手机」的AI设备因强大的跨应用自动化功能引发热议。其能在数秒内完成比价下单、回微信、订机票等复杂任务，甚至在锁屏状态下后台运行。大模型实习生「宵逝」通过黑盒测试和逻辑推演，揭示其核心技术：基于Android Framework层的OS级影子系统，采用两套模式（直觉与推理）及混合感知路由，支持并行运行时和隐私隔离设计。该设备依托字节跳动的UI-TARS 2.0模型，具备多模态感知与动态规划能力，被业界视为GUI Agent技术落地的里程碑。专家认为，这标志着AI原生手机的开端，或重新定义未来智能设备形态。

2025年12月，字节跳动推出的“豆包手机”因搭载系统级GUI Agent技术引发热议，首批3万台备货迅速售罄，二手市场价格翻倍。其核心技术基于自研UI-TARS模型，该模型最早于今年1月与清华大学联合开源，并持续迭代至UI-TARS-2版本，具备感知、动作、推理、记忆四大能力，支持跨应用自动化任务执行。官方演示显示，工程样机nubia M153可完成请假、订票等复杂操作。尽管引发权限安全争议，官方回应称需用户主动授权，且敏感操作由人工接管。此外，产品分为标准模式和Pro模式，分别针对速度与深度推理优化。尽管仍为技术预览版，但被评价为“全球首款真正的AI手机”，展现出手机从工具到智能伙伴的进化潜力。

标题：字节Seed推出全新智能体UI-TARS-2，一个模型搞定多平台操作 正文： 字节Seed团队发布了最新智能体UI-TARS-2，能够自主操作手机、电脑和浏览器，完成复杂任务。例如，它仅用35秒就编写了一个重量单位转换函数，并计算出结果为4000克。相比Claude和OpenAI的同类模型...

4月17日，字节跳动旗下的豆包大模型团队发布了基于视觉-语言模型的开源多模态智能体UI-TARS-1.5。该智能体能在虚拟环境中高效完成任务，支持真实设备及浏览器的操作。相较于前代，UI-TARS-1.5通过强化学习提升了高阶推理能力，强调“行动前思考”。团队提出以游戏为载体提升基础模型的通用推理能力，因其更依赖常识而非专业知识。UI-TARS-1.5具备四大技术优势：视觉感知增强、System 2推理机制、统一动作建模以及可自我演化的训练方式。项目已在GitHub、官网及Arxiv上开源。

《科创板日报》17日消息，字节跳动旗下豆包大模型团队今日发布并开源了UI-TARS-1.5，这是一款基于视觉-语言模型打造的开源多模态智能体。该模型具备在虚拟环境中高效完成多种任务的能力，尤其在7个GUI图形用户界面评测基准中达到了SOTA（最高性能）。此外，UI-TARS-1.5首次展示了其在游戏中的长时推理能力和开放空间中的交互能力，标志着多模态智能体技术的重要进展。