官方网站-首页

【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，构建具备深度反思、规划与自主决策能力的Agent是行业发展趋(qū)势(shì)。会(huì)上(shàng)，豆(dòu)包(bāo)1.5深(shēn)度(dù)思考模型正式发布，展示了其在视觉推理及多任务处理上的突破，预示着AI Agent智能体时代的加速到来。面对全球科技巨头的激烈竞争，谭待提出对Agent进行分级的设想，并介绍了火山引擎推出的OS Agent解决方案，为行业智能化运营提供新动力。

“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，能像人类一样对看到的事物进行联想和思考。

值得一提的是，就在今天凌晨，OpenAI也发布了能够进行视觉推理的推理模型o3。

在发布会现场，谭待展示了豆包1.5深度思考模型的视觉推理功能，不仅能够根据照片分析地貌，还能在帮助用户点餐，还可以根据家庭成员的需求推荐露营装备，甚至也能协助制定旅行计划。在企业场景中，该模型可辅助完成项目管理流程图，优化工作流程，推动企业实现智能化运营。

2025年被业界视为“AI Agent智能体元年”，全球科技巨头如微软、谷歌、OpenAI等纷纷加速布局，推出具备自主决策和多任务处理能力的AI Agent产品，如微软发布了企业级AI助手Microsoft 365 Copilot Chat，谷歌升级了Gemini 2.0模型，OpenAI则在17日凌晨突然推出最新的o系列模型，o3和o4-mini,同时表示这两款模型都可以自由调用 ChatGPT 里的各种工具，包括但不限于图像生成、图像分析、文件解释、网络搜索、Python。

国内继中国初创公司Monica推出号称全球首款AI智能体产品Manus后，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(dòng)驾(jià)驶(shǐ)分(fēn)级(jí)一(yī)样(yàng)，对(duì)Agent进(jìn)行(xíng)分(fēn)级(jí)，如(rú)Agent L1、L2、L3、L4 这(zhè)类(lèi)。“那(nà)些(xiē)开(kāi)发(fā)三(sān)四(sì)千(qiān)个(gè) Agent的(de)企(qǐ)业(yè)，（Agent能(néng)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(fēn)具(jù)备(bèi)L3能(néng)力(lì)）”谭(tán)待(dài)表(biǎo)示(shì)。

澎(pēng)湃(pài)科(kē)技(jì)注(zhù)意(yì)到(dào)，在(zài)此(cǐ)次(cì)AI创(chuàng)新(xīn)巡(xún)展(zhǎn)现(xiàn)场(chǎng)杭(háng)州(zhōu)站(zhàn)上(shàng)，火(huǒ)山(shān)引(yǐn)擎(qíng)还(hái)推(tuī)出(chū)了(le)OS Agent解(jiě)决(jué)方(fāng)案(àn)。据(jù)悉(xī)，OS Agent解(jiě)决(jué)方(fāng)案(àn)包(bāo)含(hán)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。