新闻动态

【导语】4月17日，火山引擎2025 FORCE LINK AI创新巡展杭州站活动中，字节跳动火山总裁谭待强调，当前Agent能力尚处初级，深度思考模型是实现高级Agent的关键。活动中，豆包1.5深度思考模型正式发布，展示其在视觉推理等复杂任务中的卓越表现，预示着AI Agent领域正加速迈向智能化新纪元。

“目前很多Agent的能力仍停留在初级水平，真正实现具备更强反思、规划与自主决策能力的Agent，是行业发展的方向。”4月17日，在火山引擎2025 FORCE LINK AI创新巡展现场杭州站上，字节跳动旗下的火山总裁谭待在接受包括澎湃科技（www.thepaper.cn）在内的媒体采访时表示。

谭待认为，深度思考模型是构建Agent的基础，模型要有能力做好思考、计划和反思，并且一定要支持多模态，就像人类具备视觉和听觉一样，Agent才能更好地处理复杂任务。

豆包1.5深度思考模型发布  记者 摄

当日，豆包1.5深度思考模型正式发布。据介绍，这款模型除了在数学、编程、科学推理、创意写作等通用任务表现突出之外，还上线了具备视觉推理能力的深度思考模型视觉版，能像人(rén)类(lèi)一(yī)样(yàng)对(duì)看(kàn)到(dào)的(de)事(shì)物(wù)进(jìn)行(xíng)联(lián)想(xiǎng)和(hé)思(sī)考(kǎo)。

值(zhí)得(de)一(yī)提(tí)的(de)是(shì)，就(jiù)在(zài)今(jīn)天(tiān)凌(líng)晨(chen)，OpenAI也(yě)发(fā)布(bù)了(le)能(néng)够(gòu)进(jìn)行(xíng)视(shì)觉(jué)推(tuī)理(lǐ)的(de)推(tuī)理(lǐ)模(mó)型(xíng)o3。

在(zài)发(fā)布(bù)会(huì)现(xiàn)场(chǎng)，谭(tán)待(dài)展(zhǎn)示(shì)了(le)豆(dòu)包(bāo)1.5深(shēn)度(dù)思(sī)考(kǎo)模(mó)型(xíng)的(de)视(shì)觉(jué)推(tuī)理(lǐ)功(gōng)能(néng)，不(bù)仅(jǐn)能(néng)够(gòu)根(gēn)据(jù)照(zhào)片(piàn)分(fēn)析(xī)地(de)貌(mào)，还(hái)能(néng)在(zài)帮(bāng)助(zhù)用(yòng)户(hù)点(diǎn)餐(cān)，还(hái)可(kě)以(yǐ)根(gēn)据(jù)家(jiā)庭(tíng)成(chéng)员(yuán)的(de)需(xū)求(qiú)推(tuī)荐(jiàn)露(lù)营(yíng)装(zhuāng)备(bèi)，甚(shén)至(zhì)也(yě)能(néng)协(xié)助(zhù)制(zhì)定(dìng)旅(lǚ)行(xíng)计(jì)划(huà)。在(zài)企(qǐ)业(yè)场(chǎng)景(jǐng)中(zhōng)，该(gāi)模(mó)型(xíng)可(kě)辅(fǔ)助(zhù)完(wán)成(chéng)项(xiàng)目(mù)管(guǎn)理(lǐ)流(liú)程(chéng)图(tú)，优(yōu)化(huà)工(gōng)作(zuò)流(liú)程(chéng)，推(tuī)动(dòng)企(qǐ)业(yè)实(shí)现(xiàn)智(zhì)能(néng)化(huà)运(yùn)营(yíng)。

2025年(nián)被(bèi)业(yè)界(jiè)视(shì)为(wèi)“AI Agent智(zhì)能(néng)体(tǐ)元(yuán)年(nián)”，全球(qiú)科(kē)技(jì)巨(jù)头(tóu)如(rú)微(wēi)软(ruǎn)、谷(gǔ)歌(gē)、OpenAI等(děng)纷(fēn)纷(fēn)加(jiā)速(sù)布(bù)局(jú)，推(tuī)出(chū)具(jù)备(bèi)自(zì)主决(jué)策(cè)和(hé)多(duō)任(rèn)务(wu)处(chù)理(lǐ)能(néng)力(lì)的(de)AI Agent产(chǎn)品(pǐn)，如(rú)微(wēi)软(ruǎn)发(fā)布(bù)了(le)企(qǐ)业(yè)级(jí)AI助(zhù)手(shǒu)Microsoft 365 Copilot Chat，谷(gǔ)歌(gē)升(shēng)级(jí)了(le)Gemini 2.0模(mó)型(xíng)，OpenAI则(zé)在(zài)17日(rì)凌(líng)晨(chen)突(tū)然(rán)推(tuī)出(chū)最(zuì)新(xīn)的(de)o系(xì)列(liè)模(mó)型(xíng)，o3和(hé)o4-mini,同(tóng)时(shí)表(biǎo)示(shì)这(zhè)两(liǎng)款(kuǎn)模(mó)型(xíng)都(dōu)可(kě)以(yǐ)自(zì)由(yóu)调(diào)用(yòng) ChatGPT 里(lǐ)的(de)各(gè)种(zhǒng)工(gōng)具(jù)，包(bāo)括(kuò)但(dàn)不(bù)限(xiàn)于(yú)图(tú)像(xiàng)生(shēng)成(chéng)、图(tú)像(xiàng)分(fēn)析(xī)、文件(jiàn)解(jiě)释(shì)、网(wǎng)络(luò)搜(sōu)索(suǒ)、Python。

国(guó)内(nèi)继(jì)中(zhōng)国(guó)初(chū)创(chuàng)公(gōng)司(sī)Monica推(tuī)出(chū)号(hào)称(chēng)全球(qiú)首(shǒu)款(kuǎn)AI智(zhì)能(néng)体(tǐ)产(chǎn)品(pǐn)Manus后(hòu)，行业内也在等待下一个科技圈的爆款产品出现。

现场展示豆包1.5深度思考模型  记者 摄

面对行业内激烈的竞争，谭待在接受采访时直言，现在所谓的“Agent”，不能仅完成“写一首打油诗”或“写篇小学生作文”这样的简单任务。真正的Agent，需要能完成专业性较高、耗时较长、结构完整的任务，这是从定性角度来看。从技术实现的角度来看，如果没有运用深度思考模型，缺乏反思和规划能力，也很难称其为真正的Agent。

谈及市面上目前Agent的发展阶段，谭待以目前大家熟悉的自动驾驶领域来类比。自动驾驶技术根据自动化程度的不同分为L0到L5六个级别。其中，L0级、L1级、L2级都只能称为辅助驾驶系统。谭待指出，2025年行业内和大众可能会对Agent的定义会更加清晰，行业内或许会像自动驾驶分级一样，对Agent进行分级，如Agent L1、L2、L3、L4 这类。“那些开发三四千个 Agent的企业，（Agent能力(lì)）可(kě)能(néng)仅(jǐn)相(xiāng)当(dāng)于(yú)自(zì)动(dòng)驾(jià)驶(shǐ)中(zhōng)的(de) L1 级(jí)别(bié)；而(ér)真(zhēn)正(zhèng)实(shí)现(xiàn)落(luò)地(de)应(yīng)用(yòng)，至(zhì)少(shǎo)应(yīng)具(jù)备(bèi) L2++ 能(néng)力(lì)（注(zhù)：L2部(bù)分(fēn)自(zì)动(dòng)驾(jià)驶(shǐ)范(fàn)畴(chóu)，但(dàn)在(zài)技(jì)术(shù)和(hé)体(tǐ)验(yàn)上(shàng)比(bǐ)普(pǔ)通(tōng)的(de)L2更(gèng)先(xiān)进(jìn)，接(jiē)近(jìn)甚(shén)至(zhì)部(bù)分具备L3能力）”谭待表示。

澎湃科技注意到，在此次AI创新巡展现场杭州站上，火山引擎还推出了OS Agent解决方案。据悉，OS Agent解决方案包含豆(dòu)包(bāo)UI-TARS模(mó)型(xíng)，以(yǐ)及(jí)veFaaS函(hán)数(shù)服(fú)务(wu)、云(yún)服务器、云手机等产品，实现对代码、浏览器、电脑、手机以及其他Agent的操作。其中，豆包UI-TARS模型将屏幕视觉理解、逻辑推理、界面元素定位和操作整合了在一起，为Agent的智能交互提供了更接近人类操作的模型基础。