字節按下 AI Agent 加速鍵

作者：宛辰

DeepSeek-R1 的好文筆、GPT-4o 的吉卜力畫風、OpenAI o3 的看圖推導地理位置……

這是過去兩個月裏此起彼伏刷屏的現象級 AI 產品，你能明顯看到：強化學習終於可以泛化了，多模態模型也越來越可用了。這也意味着，2025 年真的進入了 Agent 應用落地、加速落地的時間點。

此前爆火的 AI Agent——Manus 團隊曾透漏，去年底 Claude 3.5 Sonnet 在長程規劃任務、逐步解決問題的能力上達到了做 Agent 所需要的程度，這是 Manus 誕生的前提。

現在，隨着深度思考模型和多模態模型能力的進一步成熟，一定會有更多能處理復雜任務的 Agent。

基於這個判斷，4 月 17 日，字節跳動旗下的雲和 AI 服務平台「火山引擎」面向企業市場發布了更強的模型——豆包 1.5・深度思考模型，這也是字節跳動旗下 AI 應用豆包 App 背後的推理模型首次亮相。一同推出的，還有豆包・文生圖模型 3.0、以及升級版的視覺理解模型。

對於這次發布的模型，火山引擎總裁譚待認爲，「深度思考模型是構建 Agent 的基礎，模型要有能力做好思考、規劃和反思，並且一定要支持多模態，就像人類具備視覺和聽覺一樣，Agent 才能更好地處理復雜任務。」

而當 AI 進化出端到端的自主決策和執行能力，走向核心生產環節，火山引擎也準備了讓 Agent 操作數字世界和物理世界的架構和工具——OS Agent 解決方案及 AI 雲原生推理套件，幫助企業更快、更省地構建和部署 Agent 應用。

在譚待看來，開發 Agent 就像開發一個網站或 APP 一樣，僅有模型 API 無法完全解決問題，需要很多雲上的 AI 雲原生組件。過去，雲原生有其核心定義，如容器、彈性等；現在，AI 雲原生也會有類似的關鍵要素。通過在 AI 雲原生方面的持續思考、探索與快速行動——比如圍繞模型做各種中間件、評測、監控、可觀察性、數據處理、安全保障以及相關組件如 Sandbox 等，火山引擎致力於成爲 AI 時代基礎設施的最優解。

01 豆包深度思考模型，像人一樣邊看邊想邊搜

年初 DeepSeek-R1 發布以來，不少 ToC 應用都接入了 R1 推理模型，豆包 App 除外。3 月初在豆包 App 上線的「深度思考」模式，背後是字節跳動自研的豆包深度思考模型。

現在，這一推理模型——豆包 1.5 · 深度思考模型正式發布，可以在火山方舟平台體驗和調用。

點擊聯網模式，豆包就可以像人類思考問題時一樣，想一想、搜一搜、再接着想……，最終以解決問題爲目的。

這是在購物場景的一個例子，在給定預算、大小等限制條件後，讓豆包推薦一套合適的露營裝備。

在這個問題上，豆包首先拆解了注意事項，規劃了需要的信息，接着判斷出缺失的信息、並進行聯網搜索。這裏它搜索了 3 輪，先是搜索價格和性能，確保符合預算和需求；還考慮了兒童單獨的需求，最後考慮到天氣，搜索了相關的詳細評測。邊想邊搜，直到獲取了做決策所需的全部必要上下文，給出了推理答案。

除了邊搜邊想，豆包深度思考模型還具備視覺推理能力，像人一樣，不光能基於文字思考，也能基於看到的畫面來思考。

就拿點菜這個場景來說，五一黃金周馬上到了，出國旅遊的朋友們不用拍照上傳給翻譯軟件翻譯菜單了，豆包深度思考模型可以直接根據圖片幫你點菜。

在下面這個例子中，豆包深度思考模型首先進行了匯率換算來控制預算，接着考慮到了老人、孩子的喜好，同時仔細避開了他們過敏的菜餚，直接給出了菜單方案。

聯網、思考、推理、多模態，豆包 1.5・深度思考模型展現了綜合推理能力，能夠解決更加復雜的問題。

根據技術報告，豆包 1.5・深度思考模型在專業領域的推理任務中完成度較高，比如在數學推理 AIME 2024 測試得分追平 OpenAI o3-mini-high，編程競賽和科學推理測試成績也接近 o1。在創意寫作、人文知識問答等通用任務上，模型也展示出優秀的泛化能力，能勝任更廣泛的使用場景。

豆包深度思考模型還具備低延遲的特性，其技術報告顯示，該模型採用了 MoE 架構，總參數爲 200B，激活參數僅 20B，以較小參數實現媲美頂尖模型的效果。基於高效算法和高性能推理系統，豆包模型 API 服務在保障高並發的同時，延遲低至 20 毫秒。

同時，它也有多模態能力，可以把深度思考模型用於各種各樣的場景，例如它可以看懂復雜的企業項目管理流程圖表，快速定位到關鍵信息，並以強大的指令遵循能力，嚴格按照流程圖，回答客戶的問題；分析航拍圖時，能結合地貌特徵判斷區域開發可行性。

除了推理模型，這次豆包大模型家族還帶來了兩個模型的更新。在文生圖模型方面，豆包推出了最新的 3.0 升級版本，這個版本能夠實現更好的文字排版表現、實拍級的圖像生成效果，以及 2K 的高清圖片生成方式。

新版模型不僅較好地解決了小字和長文本的生成難題，還改善了圖片排版。比如最左邊生成的「現形」和「豐收計劃」兩幅海報，細節生成比較精細，排版也比較自然，可以拿來即用。

另一個升級的是豆包 1.5 視覺理解模型。新版本有兩個關鍵更新，視覺定位更精準，以及對視頻的理解更智能。

在視覺定位方面，豆包 1.5 視覺理解模型支持多目標、小目標、通用目標的框定位和點定位，並支持定位計數，描述定位內容，以及 3D 定位等。視覺定位能力的提升，可以讓模型進一步擴展應用場景，例如線下門店的巡檢場景、GUI agent、機器人訓練、自動駕駛訓練等。

在視頻理解能力上，該模型也有大幅提升，比如記憶能力、總結理解能力、速度感知能力、長視頻理解等。企業可以基於視頻理解打造更加有趣的商業化應用，比如在家庭場景，我們可以基於視頻理解能力，加上向量搜索，對家中的監控視頻進行語義搜索。

比如下面這個例子中，養貓的人希望了解貓每天的活動情況，現在直接搜索「今天小貓在家都幹什麼了？」就能夠快速返回語義相關的視頻片段，供用戶查看。

借助帶視覺理解的推理模型和較大的推理能力儲備，以前很多做不了的事情現在都可以實現，可以解鎖更多的場景，比如有這樣功能的攝像頭一定會更受歡迎，AI 眼鏡、AI 玩具、智能攝像頭、門鎖等也會有新的發展空間。

02 雲，進入 Agentic AI 時代

這兩天，OpenAI 研究員姚順雨（Deep Research、Operator 核心作者）在「AI 的下半場」一文中指出，隨着強化學習終於找到了可以泛化的路徑，不只是在特定領域奏效，比如打敗人類棋手的 AlphaGo，而是可以做到在軟件工程、創意寫作、IMO 級別的數學、鼠標和鍵盤操作等等各方面都做到接近人類競賽的水平。這種情況下，比拼榜單分數、在更復雜的榜單上得更高的分數會更容易，但這種評價方式已經過時了。

現在比拼的是定義問題的能力。換句話說，AI 要在現實生活中解決什麼問題？

2025 年，這個答案是生產力 Agent。當前，AI 的應用場景正在快速邁入 Agentic AI 時代，AI 逐漸能完成專業度較高、耗時較長的完整任務。在這種情況下，火山引擎也爲企業「定義自己的通用 Agent」搭建了一系列基礎設施。

其中最重要的是模型，能夠自主規劃、反思、端到端地自主決策和執行，走向核心生產環節。同時，也需要多模態推理能力，讓其在真實世界可以通過耳朵、嘴巴和眼睛來共同完成任務。

模型之外，Infra 技術棧也需要不斷進化。就比如隨着 MoE 架構顯示出更高效的優勢，逐漸成爲模型的主流架構，隨之而來地，調度適配 MoE 模型需要更復雜、靈活的雲計算架構和工具。

現在在企業通用 Agent 的場景下，火山引擎推出了更好的架構和工具——OS Agent 解決方案，支持大模型來操作數字和物理世界，比如由 Agent 操作瀏覽器，搜索商品頁，實現 iPhone 比價的任務，甚至由 Agent 在遠程計算機上用剪映進行視頻編輯、配樂等等。

當前，火山引擎 OS Agent 解決方案包含豆包 UI-TARS 模型，以及 veFaaS 函數服務、雲服務器、雲手機等產品，實現對代碼、瀏覽器、電腦、手機以及其他 Agent 的操作。其中，豆包 UI-TARS 模型將屏幕視覺理解、邏輯推理、界面元素定位和操作整合在一起，突破傳統自動化工具依賴預設規則的局限性，爲 Agent 的智能交互提供了更接近人類操作的模型基礎。

在通用型 Agent 場景裏，火山引擎通過這套 OS Agent 解決方案讓企業內部、個人或特定領域，根據需要進行 Agent 定義和探索。

在垂直類 Agent 上，火山引擎則會基於自身優勢領域進行探索，比如之前推出「智能編程助手 Trae」以及數據產品「Data Agent」，後者通過構建數據飛輪，將數據處理能力發揮到極致。

另一方面，隨着 Agent 的滲透，也會帶來更大量的模型推理消耗。面對大規模推理需求，火山引擎專門打造了 AI 雲原生 ServingKit 推理套件，讓模型部署更快、推理成本更低，GPU 消耗相比傳統方案降低 80%。

在譚待看來，爲了滿足 AI 時代的需求，火山引擎會在三個方面持續發力：持續優化模型，保持競爭力；不斷降低成本，包括費用、延遲和提高吞吐率；讓產品更易於落地，比如像扣子、HiAgent 面向開發者的工具，還有雲原生組件 OS Agent 等。保持產品和技術領先，市場份額也會領先。此前 IDC 發布的《中國公有雲大模型服務市場格局分析，1Q25》顯示，火山引擎以 46.4% 的市場份額位居第一。

去年 12 月，豆包大模型的日均 tokens 調用量是 4 萬億。截至今年 3 月底，這個數字已經超過了 12.7 萬億，相比豆包大模型剛發布時，在短短不到一年的時間裏，實現了超過 106 倍的高速增長。未來，隨着深度思考模型、視覺推理的進一步成熟和 AI 雲基礎設施的優化，Agent 還會帶動更大的 tokens 調用量。