groundingLMM
★ 969
vs
UI-TARS-desktop
★ 39.4k
groundingLMM vs UI-TARS-desktop
groundingLMM：GLaMM（接地大型多模态模型）是一个端到端训练的大型多模态模型，能够生成与对象分割掩码集成的自然语言响应，实现了视觉接地，并支持在多层次粒度上与图像进行灵活交互。它引入了新颖的接地对话生成（GCG）任务，支持指代表达式分割和区域级图像描述等多种下游应用，并以大规模的GranD数据集为基础。；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
groundingLMMVision / Multimodal · ★ 969
理解并响应用户关于特定图像区域查询的交互式视觉助手。
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
groundingLMM01生成与对象分割掩码无缝集成的自然语言响应。
02支持新颖的接地对话生成（GCG）任务，并提供全面的评估协议。
03执行详细的区域级图像描述和回答基于推理的视觉问题。
04通过从基于文本的查询创建分割掩码，擅长指代表达式分割。
05提供高质量的图像描述和会话式问答。
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
groundingLMM↳理解并响应用户关于特定图像区域查询的交互式视觉助手。
↳用于创建密集、像素级接地数据集的自动化标注工具。
↳需要视觉理解和带有分割的详细文本描述的高级图像分析任务。
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
groundingLMM—
UI-TARS-desktop最受欢迎必备神器时下流行
FAQ
常见问题
groundingLMM 和 UI-TARS-desktop 有什么区别？
groundingLMM 和 UI-TARS-desktop 都属于 Vision / Multimodal 类别。groundingLMM 有 969 Stars，UI-TARS-desktop 有 39.4k Stars。
groundingLMM 和 UI-TARS-desktop 哪个更好？
最佳选择取决于你的具体需求。理解并响应用户关于特定图像区域查询的交互式视觉助手。 时选 groundingLMM，通过视觉点击无 API 的桌面 GUI 工作流自动化 时选 UI-TARS-desktop。
groundingLMM 是免费的吗？
是的，groundingLMM 在 GitHub 开源（Apache-2.0）。
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）。
→