ByteDance avasi 7 miljardin agentin – ja se pyörii Macilla

ByteDance Seed -tiimi julkaisi huhtikuun lopulla UI-TARS-1.5-7B:n Hugging Faceen Apache 2.0 -lisenssillä. Kyseessä on tietokoneenkäyttöagentti, joka ottaa syötteekseen ruutukaappauksen ja tulostaa hiiren ja näppäimistön toimintoja. Malli rakentuu Qwen-2-VL:n päälle, ja ByteDance on jatkokouluttanut sitä noin 50 miljardilla tokenilla käyttöliittymien vuorovaikutusdatalla.

Seitsemän miljardin parametrin koko on tarkoituksellinen. Malli mahtuu noin 16 gigatavun grafiikkamuistiin ja pyörii Apple Silicon -koneella paikallisesti vLLM:n tai Hugging Facen transformers-kirjaston kautta. Suomeksi sanottuna: omalla läppärillä, ilman pilvi-API:a ja kuukausimaksuja.

OSWorld-testin numerot

OSWorld mittaa agentteja oikeissa Linux- ja Windows-ympäristöissä. Mukana on selain, tiedostonhallinta ja taulukkolaskenta, ja malli saa raakaa ruutukaappausta syötteekseen. Tehtävä on suoritettava tietyssä määrässä askelia.

Koko UI-TARS-1.5 yltää OSWorldissa sadan askeleen budjetilla 42,5 prosentin onnistumisasteeseen. OpenAI:n Operator jää 36,4 prosenttiin ja Anthropicin Claude 3.7 Sonnet 28 prosenttiin. Sata askelta on pitkä rupeama, joka simuloi monivaiheista työnkulkua.

Itse 7B-versio yltää samassa testissä 27,5 prosenttiin. Tulos on aikaisemman avoimen ennätyksen tasolla mutta jää isompien mallien alle. Lyhyemmässä 50 askeleen kohdistuksessa täysi UI-TARS-1.5 päihittää Clauden tuloksella 24,6 vastaan 22,0.

Ruudun näkeminen on hankalin osa

GUI-grounding tarkoittaa sitä, että malli osaa osoittaa oikean pikselin: tämä nappi tästä, ei tuota. ScreenSpotPro-testissä UI-TARS-1.5 saa 61,6 prosenttia. Claude 3.7 jää 27,7:ään ja OpenAI:n CUA 23,4:ään.

Erotus on yli kaksinkertainen. Jos agentti ei osu klikkauskohteeseen, koko ketju katkeaa: väärä nappi avaa väärän valikon, ja seuraavat askeleet menevät hukkaan. Sama ilmiö selittää ByteDancen mallin täyden 14 pelin onnistumisasteen Poki-pelisivustolla, kun kilpailijat onnistuvat 0–92 prosentin haarukassa.

Miksi Apache 2.0 -lisenssi muuttaa kuvion

Tähän asti tietokoneenkäyttöagentit ovat olleet käytännössä kahden yhtiön käsissä. Anthropicin Computer Use vaatii API-avaimen, OpenAI:n Operator pyörii ChatGPT Pro:n takana 200 dollarin kuukausimaksulla. Suomalainen yritys, joka haluaa automatisoida taustajärjestelmäänsä, joutuu ajamaan jokaisen ruutukaappauksen Yhdysvaltojen pilveen.

Apache 2.0 sallii kaupallisen käytön, muokkauksen ja levityksen. Yritys voi ajaa mallia omalla palvelimellaan, eikä pikselikaappauksia tarvitse lähettää ulkopuoliselle pilvelle. GDPR-näkökulmasta ero on iso, etenkin terveydenhoidossa, oikeuspuolella ja julkisella sektorilla.

Tavalliselle käyttäjälle merkitys on epäsuora

Yksinkertaistettuna: tietokone alkaa tehdä rutiinityötä puolestasi. Lasku siirretään verkkopankista kirjanpitoon, tilaus poimitaan verkkokaupasta toimittajan järjestelmään, kalenteripyyntö syötetään sähköpostista varauskirjaan. Agentti tekee sen klikkailemalla samoja nappeja kuin ihminen, ilman erillistä integraatiota.

Kuluttajalle hyöty on epäsuorempi mutta merkityksellinen. Kun pienet avoimet mallit pärjäävät isojen kanssa, hinta laskee ja kilpailu kovenee. Jos seuraavan polven kuluttajatuote pohjautuu seitsemän miljardin parametrin paikalliseen malliin, kuukausimaksut eivät ole 200 dollaria vaan murto-osa siitä.

Mihin pakettiratkaisu vielä kompastuu

UI-TARS-1.5-7B ei ole valmis sovellus. Asentaminen edellyttää vLLM:n tai transformers-kirjaston tuntemusta, ja kuluttajatason ohjeet ovat vielä harvassa. ByteDance on TikTokin emoyhtiö, ja jokaisen, joka aikoo rakentaa kriittistä infraa mallin päälle, kannattaa miettiä riippuvuutta Kiinaan sidottuun jatkokehitykseen, vaikka itse painot ovat avoimia.

Toinen rajoitus on raaka suorituskyky. 7B-versio jää 100 askeleen OSWorldissa täyden version ja OpenAI:n Operatorin alle. Pienen mallin etu ei synny raakatuloksesta vaan paikallisuudesta ja ilmaisuudesta. Sitä päivää, jolloin oma läppäri ajaa Anthropicin tasoista agenttia tehtävästä riippumatta, joutuu odottamaan vielä joitakin mallisukupolvia.