这里聚合了 2 个与 multimodal 相关的开源项目，适合快速判断哪些工具值得继续深入。
高星代表
UI-TARS-desktop 是字节跳动开源的跨平台桌面应用，基于 UI-TARS 视觉语言模型，通过自然语言指令自动化控制本地/远程计算机及浏览器，实现多模态 AI 驱动的 GUI 操作。
Parlor 是一个完全本地运行的多模态 AI 应用，支持实时语音和视觉对话，使用 Gemma 4 E2B 理解语音图像，Kokoro TTS 生成回复，无需云端服务，保护隐私并降低延迟。