Cradle
★ 2.6k
vs
UI-TARS-desktop
★ 39.4k
Cradle vs UI-TARS-desktop
Cradle：Cradle是一个框架，它使基础模型能够使用类似人类的界面控制计算机，以屏幕截图作为输入并生成键盘/鼠标操作作为输出。它支持控制各种游戏和软件，使AI智能体能够在不同应用程序中执行复杂的任务。；UI-TARS-desktop：UI-TARS Desktop 是 TARS 多模态 AI 智能体技术栈的桌面应用组件，通过截图理解屏幕内容并与计算机 GUI 交互，支持执行 Shell 命令和浏览器工具，集成 MCP 扩展 Agent 能力。
01
简评
CradleVision / Multimodal · ★ 2.6k
在复杂视频游戏中实现游戏自动化。
UI-TARS-desktopVision / Multimodal · ★ 39.4k
何时选择它（优势与适用）：
- 需要一款基于原生视觉模型的桌面端 GUI 智能体，直接通过看懂屏幕画面、端到端模拟鼠标点击与键盘输入来操作应用。
- 希望拥有一款跨 macOS、Windows 和 Linux 的开源多模态桌面自动化软件，胜任跨软件协同任务。
何时考虑替代方案：
- 操作对象仅为纯 Web 网页；直接通过 Playwright 或 Scrapling 操作 DOM 树比纯视觉模拟点击更快、更稳定。
- 本地或服务端缺乏充足的 GPU 算力或支持高分辨率视觉推理的多模态模型调用预算。
02
并排对比
03
功能特性
Cradle01使基础模型能够实现通用计算机控制。
02采用统一的类人交互界面：以屏幕截图为输入，生成键盘和鼠标操作作为输出。
03支持包括流行游戏（如RDR2、星露谷物语）和生产力软件（如Chrome、Outlook）在内的多种应用。
04提供模块化框架，旨在方便地适应和迁移到新的游戏和软件环境。
05集成了多种大型语言模型（LLM）API，包括OpenAI、Azure OpenAI和Claude。
UI-TARS-desktop01原生 GUI 智能体，通过截图理解屏幕并与桌面应用交互
02多模态 LLM 驱动的任意 UI 视觉理解
03内置浏览器自动化和 Shell 命令执行
04MCP 集成，通过自定义工具扩展 Agent 能力
05跨平台桌面应用，提供 Web UI 选项
04
使用场景
Cradle↳在复杂视频游戏中实现游戏自动化。
↳执行游戏内管理和任务进程。
↳控制和交互各种桌面应用程序以完成生产力或创意任务。
UI-TARS-desktop↳通过视觉点击无 API 的桌面 GUI 工作流自动化
↳构建结合屏幕理解、网页和文件操作的多模态 Agent
↳通过自然语言指令在桌面执行 AI 辅助计算机任务
05
适合场景
Cradle—
UI-TARS-desktop最受欢迎必备神器时下流行
FAQ
常见问题
Cradle 和 UI-TARS-desktop 有什么区别？
Cradle 和 UI-TARS-desktop 都属于 Vision / Multimodal 类别。Cradle 有 2.6k Stars，UI-TARS-desktop 有 39.4k Stars。
Cradle 和 UI-TARS-desktop 哪个更好？
最佳选择取决于你的具体需求。在复杂视频游戏中实现游戏自动化。 时选 Cradle，通过视觉点击无 API 的桌面 GUI 工作流自动化 时选 UI-TARS-desktop。
Cradle 是免费的吗？
是的，Cradle 在 GitHub 开源（MIT）。
UI-TARS-desktop 是免费的吗？
是的，UI-TARS-desktop 在 GitHub 开源（Apache-2.0）。
推荐云部署
Ad在 DigitalOcean 上一键部署
为你的 MCP 服务、Docker 容器与智能体提供即开即用云服务器，新用户立享 $200 免费额度（60天有效）。
→