开源模型

字节开源了“豆包电脑”：UI-TARS-Destktop

2026 年 1 月 12 日

字节开源"豆包电脑"：用对话驱动办公自动化，白领工作方式将被彻底改变。核心内容： 1. UI-Tars-desktop系统功能解析：通过视觉化UI实现自动化办公 2. 系统两种使用模式对比：开发者CLI调用与原生桌面GUI操作 3. 未来办公趋势预测：空间计算将取代传统键鼠交互方式

最近字节开源了自动化桌面办公的项目开源，这就是现在的UI-Tars-desktop，通过这个系统就可以实现桌面自动化办公，可以说这就是“豆包电脑”

如下是系统截图，通过视觉可视化UI完成解读UI来驱动系统自动化操作

目前这个产品到底使用如何，简单来说就是通过对话完成任务命令，就可以完成各类浏览器、与应用程序打开。

目前系统支持Agent形式的CLI调用以及普通桌面形式使用，前者是可以将以及客户端2种方式，第一种是支持Web Ui或者CLI的形式，允许开发者进行调用与兼容，第二周则是原生桌面GUI，只能通过远程桌面完成自动化操作。

也就是官方系统了自动化的平台调用形式，如下是系统的演示，15秒时间完成了对比酒店信息与价格。

目前支持多个工具：从CLI命令行到可视化桌面窗口

现在最新版本在11月份更新了之后，支持结构化输出，查看最后的结果，并且适合系统批量处理。

能够支持自动debug相关任务流程命令

可以查询到AI的沟通记录，以及了解他为什么会这么干，以及了解过去的过程与步骤，从而优化提示词与界面，

从豆包手机再到“豆包”电脑，接下来白领会成为第一批淘汰的人

在最近大火的2025年底马斯克的2个半小时访谈里，就提到在2026年预计Grok就会达到AGI，同时第一批被淘汰的人就是用鼠标和键盘的这群白领。

这些人将首先最容易被AI替代，因为没有涉及到物理世界，使用的数据都是数据信号，没有物理原理，而真实世界会有物理世界，这些会逐步被空间智能与空间感知替代。

带着团队打通vision Pro与AndroidXR 以及空间计算与PC、手机

最近之所以发现这个项目，是因为我带着团队正在打破空间计算与PC电脑的隔阂，要是使用vision Pro的同学应该知道，我们现在都只能够投屏PC或手机，所以使用vision Pro总是感觉是割裂的，就是无法和自己的PC电脑进行交互，虽然你知道都是数字化的屏幕，这就导致体验是割裂的。

但是比较遗憾的，现在vision Pro还没有提供眼球数据，所以开发者不能够获取到精细化的选中，而只有AndroidXR提供了眼球数据。

所以后续这类豆包手机、电脑都会成为大大提升人类与系统交互的工具，就不需要每一次点击鼠标或鼠标键盘打字了，将其通过agent帮忙进行输入

立即咨询 JOTO

JOTO 提供覆盖企业智能体规划与搭建、AI 平台私有化部署、RAG 知识工程、AI 安全治理、FDE 驻场共创及持续运营优化的全周期 AI 落地服务，帮助企业把验证中的 AI 能力转化为安全、可控、可持续迭代的生产力。联系 JOTO 获取 AI 落地咨询

留下你的场景和痛点,我们帮你判断从哪一步开始。