UI-TARSの使い方：覚書

ByteDanceが開発したUI-TARS（特にUI-TARS-1.5シリーズ）は、2025〜2026年にかけて話題になった超強力なオープンソースのGUIエージェントです。
簡単に言うと、「自然言語でPCを操作してくれるAI」で、画面を見て考えてマウス・キーボードを動かしてくれます。ブラウザ操作、VS Codeでのコーディング補助、ファイル整理、簡単なゲーム自動プレイまで幅広く対応。しかも**ローカル完結（オフライン）**で動くので、画面データが外部に漏れにくいのが最大の魅力。

主な特徴（2026年2月現在）

ベンチマークでトップクラス
OSWorld、AndroidWorld、ScreenSpotなどのGUI系ベンチマークで、GPT-4oやClaude 3.7/4を上回るスコアを記録（特に7Bモデルでこの性能は異常）。
モデルサイズの選択肢
- 軽量：2B〜7B（RTX 3060〜4090で快適に動く）
- 重め：72B（ハイエンドGPU複数枚推奨）
完全オープンソース（Apache 2.0）
モデル weights、コード、データセットの多くが公開済み。
主な用途例
「Chrome開いてTwitterで最新のAIニュース検索してまとめて」
「このフォルダの画像を日付順にリネームして」
「VS Codeでこのリポジトリ開いてバグ修正提案して」など

中国オープンソース勢（DeepSeek、MiniMax、ByteDance）の「最強モデルを無料公開してエコシステム制覇」戦略の象徴的存在で、有料APIモデルへのカウンターとしてかなり効いています。簡単な導入方法（2026年2月時点の最も手軽なルート）一番のおすすめはUI-TARS Desktopアプリを使う方法です。ほぼインストールするだけで動きます。

公式GitHub Releasesからダウンロード
https://github.com/bytedance/UI-TARS-desktop/releases/latest
→ Windows / macOS / Linux 向けの最新インストーラーを落とす（.exe / .dmg / .AppImage など）
インストール
- Windows：exeを実行して次へ次へ
- macOS：dmgを開いてApplicationsにドラッグ
  （初回起動時に「壊れている」と言われたらターミナルで以下を実行） bashxattr -cr /Applications/UI\ TARS.app
- Linux：AppImageに実行権限つけてダブルクリック
モデルを準備（一番簡単なのはLM StudioやOllama連携）
- おすすめ：LM Studio（Windows/macOS対応、初心者向け）
  1. LM Studioをインストール（https://lmstudio.ai/）
  2. 検索で「UI-TARS-1.5-7B」または「ByteDance-Seed/UI-TARS-1.5-7B」を探してダウンロード
    （GGUF版が動かしやすい：mradermacherや他のquantized版でもOK）
  3. UI-TARS Desktopを起動 → 設定 → Local Model → LM StudioのサーバーURL（通常 http://localhost:1234/v1）を入力
- または vLLM で本格ローカルサーバー（GPUある人向け） bashpip install vllm python -m vllm.entrypoints.openai.api_server --model ByteDance-Seed/UI-TARS-1.5-7B→ UI-TARS Desktopで http://localhost:8000/v1 を指定
初回起動＆テスト
アプリ起動 → 新規タスク作成 → 「自然言語で指示」を入力
例：「デスクトップのスクショ撮って、今日の日付のフォルダ作ってそこに保存して」
権限許可
初回は画面収録・アクセシビリティ・入力監視の許可を求められるので全部ONに（これがないと動かない）。