2025 年初经历了 DeepSeek 和 Manus 的冲击，大厂现在正在重新明确自身下一步的战略。
作者｜宛辰
编辑｜郑玄
DeepSeek-R1 具有好文笔，GPT-4o 呈现出吉卜力画风，OpenAI o3 能够看图推导地理位置……
这是过去两个月里频繁刷屏的现象级 AI 产品，你可以明显察觉到：强化学习终于具备了泛化的能力，多模态模型也越来越具备可用性了。这也就意味着，2025 年确实进入了 Agent 应用落地以及加速落地的时间节点。
此前爆火的 AI Agent 是 Manus 团队。该团队曾透露，去年底 Claude 3.5 Sonnet 在长程规划任务以及逐步解决问题的能力方面，达到了做 Agent 所需要的程度，而这正是 Manus 诞生的前提。
现在，深度思考模型和多模态模型的能力进一步成熟了。一定会有更多能够处理复杂任务的 Agent 出现。
4 月 17 日，字节跳动旗下的云和 AI 服务平台“火山引擎”面向企业市场发布了更强大的模型，即豆包 1.5・深度思考模型。这是字节跳动旗下 AI 应用豆包 App 背后的推理模型首次亮相。同时推出的还有豆包・文生图模型 3.0 以及升级版的视觉理解模型。
火山引擎总裁谭待认为，对于这次发布的模型，深度思考模型是构建 Agent 的基础。模型需要有能力做好思考、规划和反思。并且模型一定要支持多模态，就如同人类具备视觉和听觉一样，这样 Agent 才能更好地处理复杂任务。
AI 进化出端到端的自主决策和执行能力后走向核心生产环节，此时火山引擎准备了一些架构和工具，即 OS Agent 解决方案及 AI 云原生推理套件，这些工具能让 Agent 操作数字世界和物理世界，从而帮助企业更快速、更节省地构建和部署 Agent 应用。
谭待认为，开发 Agent 与开发一个网站或 APP 相似，仅仅依靠模型 API 是无法彻底解决问题的，还需要许多云上的 AI 云原生组件。以往，云原生有着诸如容器、弹性等核心定义；如今，AI 云原生也会具备类似的关键要素。火山引擎在 AI 云原生方面持续思考，不断探索并快速行动。它围绕模型开展了各种中间件的工作，进行评测，实施监控，提升可观察性，处理数据，保障安全，还开发了相关组件如 Sandbox 等。火山引擎致力于成为 AI 时代基础设施的最优解。
01
豆包深度思考模型，像人一样边看边想边搜
年初自 DeepSeek-R1 发布后，许多 ToC 应用都接入了 R1 推理模型，而豆包 App 并未接入。在 3 月初，豆包 App 上线了“深度思考”模式，此模式背后的技术是字节跳动自研的豆包深度思考模型。
现在，这一推理模型正式发布，它是豆包 1.5·深度思考模型。可以在火山方舟平台进行体验和调用。
点击联网模式后，豆包会像人类思考问题那样，先想一想，接着搜一搜，然后再接着想……，其最终目的是解决问题。
这是一个购物场景的例子。在有给定预算以及大小等限制条件的情况下，让豆包去推荐一套合适的露营装备。
在这个问题上，豆包首先对注意事项进行了拆解，规划出所需的信息。接着，判断出缺失的信息，并进行了联网搜索。它搜索了 3 轮，第一轮搜索价格和性能，以确保符合预算和需求；第二轮考虑了儿童单独的需求；第三轮考虑到天气，搜索了相关的详细评测。在搜索过程中，它边思考边搜索，直到获取了做决策所需的全部必要上下文，然后给出了推理答案。
豆包深度思考模型具备视觉推理能力，它除了可以边搜边想，还能像人那样，不仅能基于文字进行思考，也能基于看到的画面来思考。
以点菜这个场景为例，五一黄金周即将来临。出国旅游的朋友们无需再拍照并上传给翻译软件来翻译菜单，豆包深度思考模型能够直接依据图片帮助大家点菜。
在这个例子里，豆包深度思考模型先进行汇率换算以控制预算，然后考虑到老人的喜好，也考虑到孩子的喜好，同时还仔细避开他们过敏的菜肴，最后直接给出了菜单方案。
联网、思考、推理以及多模态等方面，豆包 1.5・深度思考模型展现出了综合推理的能力，并且能够去解决更为复杂的问题。
技术报告表明，豆包 1.5・深度思考模型在专业领域的推理任务方面完成度较高。例如，在数学推理的 AIME 2024 测试中，其得分与 OpenAI o3-mini-high 持平。并且，在编程竞赛和科学推理测试中，其成绩也接近 o1。同时，在创意写作以及人文知识问答等通用任务上，该模型展现出了优秀的泛化能力，能够胜任更广泛的使用场景。
豆包深度思考模型具有低延迟的特点。其技术报告表明，该模型运用了 MoE 架构，总参数达到 200B，而激活参数仅为 20B，凭借较小的参数就达成了可与顶尖模型相媲美的效果。由于采用了高效算法和高性能推理系统，豆包模型的 API 服务在保证高并发的情况下，延迟能够低至 20 毫秒。
它具有多模态能力，能够将深度思考模型应用于各种场景。比如，它可以理解复杂的企业项目管理流程图表，迅速找到关键信息，凭借强大的指令遵循能力，严格依照流程图来回答客户的问题；在分析航拍图时，能够结合地貌特征来判断区域开发的可行性。
豆包大模型家族这次除了带来推理模型的更新，还带来了另外两个模型的更新。在文生图模型领域，豆包推出了最新的 3.0 升级版本。此版本可以实现更优的文字排版表现，能够生成实拍级的图像，还具备 2K 的高清图片生成方式。
新版模型既较好地处理了小字与长文本的生成难题，又对图片排版进行了改善。像最左边生成的“现形”以及“丰收计划”这两幅海报，其细节生成较为精细，排版也较为自然，能够直接拿来使用。
豆包 1.5 视觉理解模型有了另一个升级。新版本存在两个关键的更新，其一为视觉定位更加精准，其二是对视频的理解更为智能。
在视觉定位领域，豆包 1.5 视觉理解模型具备多目标、小目标以及通用目标的框定位和点定位能力，同时还支持定位计数，能够描述定位内容，并且具备 3D 定位功能。视觉定位能力得以提升后，能够使模型进一步拓展应用场景，像线下门店的巡检场景、GUI 代理、机器人训练以及自动驾驶训练等。
该模型在视频理解能力方面有显著提升，像记忆能力提升了，总结理解能力也提升了，速度感知能力得到提升，长视频理解能力也有提升。企业能够依据视频理解来打造更具趣味性的商业化应用，在家庭场景中，我们可以借助视频理解能力，再加上向量搜索，对家中的监控视频进行语义搜索。
养猫的人期望知晓猫每日的活动情形，如今倘若直接进行搜索“今天小猫在家都干什么了？”，便能够迅速得到语义相关的视频片段，以供用户查看。
借助带视觉理解的推理模型以及较大的推理能力储备，许多以前无法做到的事情如今都能够实现。这样一来，可以解锁更多的场景。例如，具有这样功能的摄像头必然会更受人们欢迎，而 AI 眼镜、AI 玩具、智能摄像头、门锁等也将拥有新的发展空间。
02
云，进入 Agentic AI 时代
这两天，OpenAI 研究员姚顺雨，也就是 Deep Research 和 Operator 的核心作者，在“AI 的下半场”这篇文章中指出，强化学习终于找到了能够泛化的路径。这种路径不再仅仅在特定领域发挥作用，像打败人类棋手的 AlphaGo 那样，而是能够在软件工程、创意写作、达到 IMO 级别水平的数学以及鼠标和键盘操作等各个方面，都达到接近人类竞赛的水平。在这种情况下，比拼榜单分数是比较容易的，而且在更复杂的榜单上获得更高的分数也会更容易。然而，这种评价方式已经过时了。
现在比拼的是具备定义问题的能力。也就是说，AI 在现实生活中需要去解决哪些问题呢？
2025 年，答案为生产力 Agent。当下，AI 的应用场景正迅速迈入 Agentic AI 时代，AI 渐渐能够完成专业度较高且耗时较长的完整任务。在此情形下，火山引擎为企业“定义自己的通用 Agent”搭建了一系列基础设置。
其中最重要的是模型，它具备自主规划的能力，能够进行反思，还可以端到端地自主决策并执行，从而走向核心生产环节。同时，也需要多模态推理能力，这样它在真实世界中就可以通过耳朵、嘴巴和眼睛协同完成任务。
模型之外，Infra 技术栈需要持续发展。例如，由于 MoE 架构展现出更高效率的优势，并逐渐成为模型的主流架构，所以调度适配 MoE 模型就需要更复杂且灵活的云计算架构和工具。
现在在企业通用 Agent 的场景中，火山引擎推出了新的架构和工具，即 OS Agent 解决方案。它能够支持大模型去操作数字和物理世界。例如，让 Agent 操作浏览器，搜索商品页，从而完成 iPhone 比价的任务；还能让 Agent 在远程计算机上使用剪映进行视频编辑以及配乐等操作。
当前，火山引擎的 OS Agent 解决方案涵盖了豆包 UI-TARS 模型。同时，还包含 veFaaS 函数服务、云服务器以及云手机等产品。通过这些，能够实现对代码、浏览器、电脑、手机以及其他 Agent 的操作。其中，豆包 UI-TARS 模型把屏幕视觉理解、逻辑推理、界面元素定位以及操作整合在了一起。它突破了传统自动化工具依赖预设规则所带来的局限性，为 Agent 的智能交互提供了一个更接近人类操作的模型基础。
在通用型 Agent 场景中，火山引擎借助这套 OS Agent 解决方案，能够让企业内部的人员、个人或者特定领域的相关方，依据自身的需要去进行 Agent 的定义以及探索。
火山引擎在垂直类 Agent 方面，会依据自身的优势领域展开探索。例如，此前推出了“智能编程助手 Trae”，还有数据产品“Data Agent”。“Data Agent”通过构建数据飞轮，把数据处理能力发挥到了极致。
一方面，由于 Agent 的渗透，会导致模型推理消耗增多。在面对大规模推理需求时，火山引擎特地构建了 AI 云原生 ServingKit 推理套件，此套件能使模型部署速度加快，推理成本降低，并且 GPU 消耗比传统方案减少了 80%。
谭待认为，为满足 AI 时代的需求，火山引擎将在三个方面持续发力。其一，持续优化模型，以保持竞争力；其二，不断降低成本，涵盖费用、延迟并提高吞吐率；其三，让产品更易于落地，像扣子、HiAgent 这类面向开发者的工具，以及云原生组件 OS Agent 等。保持产品和技术领先，就能使市场份额也领先。IDC 此前发布的《中国公有云大模型服务市场格局分析，1Q25》表明，火山引擎占据着 46.4%的市场份额，并且在该市场中位居第一。
去年 12 月，豆包大模型每天调用的 tokens 量为 4 万亿。到今年 3 月底，这个数字已达 12.7 万亿。与豆包大模型刚发布时相比，在短短近一年时间内，实现了超过 106 倍的快速增长。未来，深度思考模型和视觉推理会进一步成熟，AI 云基础设施也会得到优化。在此情况下，Agent 将会带动更大的 tokens 调用量。
