ByteDance AI drives the acceleration of Agent implementation

作者 | 劉寶丹

編輯 | 黃昱

在 AI 模型落地之戰中，All In AI 的字節拿出了最新武器。

4 月 17 日，火山引擎面向企業市場發佈豆包 1.5・深度思考模型，它具備視覺推理能力，能像人類一樣對看到的事物進行聯想和思考。同時，火山引擎還升級了文生圖模型 3.0 和視覺理解模型。

火山引擎總裁譚待表示，豆包 1.5・深度思考模型在專業領域的推理任務中表現出色，數學推理 AIME2024 測試得分追平 Open AI o3-mini-high。它在編程競賽、科學推理、創意寫作等方面也表現出色。

深度思考模型是構建 Agent 的基礎，得益於模型性能的提升，字節開始把重點放在 Agent 落地上。

譚待希望，AI 能夠解決更復雜，更完整的問題，不再僅僅是對信息的感知、處理和生成，而是能端到端的處理任務。比如，幫用户做好行程規劃並且完成買票。

會上，火山引擎宣佈推出 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。

華爾街見聞獲悉，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。

以豆包 UI-TARS 模型為例，它將屏幕視覺理解、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侷限性，為 Agent 的智能交互提供了更接近人類操作的模型基礎。

要做好 Agent，除了模型能力和好的架構和工具之外，成本也是 Agent 落地的重要因素。

為此，火山引擎專門打造了 AI 雲原生 Serving Kit 推理套件，讓模型部署更快、推理成本更低。華爾街見聞從火山引擎內部獲悉，GPU 消耗相比傳統方案降低 80%。

隨着 Agent 加快落地，對火山引擎來説，會帶來更大量的模型推理消耗。

據火山引擎披露，截至 2025 年 3 月底，豆包大模型日均 tokens 調用量已達到 12.7 萬億，較去年 5 月發佈時增長上百倍。根據 IDC 發佈的《中國公有云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。

不過，Agent 仍處於探索階段，火山引擎要想更好推動 Agent 落地，還要在市場中接受更多考驗。

以下為華爾街見聞與譚待的交流實錄（經編輯）：

問：DeepSeek R2 正在緊鑼密鼓地籌劃，面對這個開源的強力競爭對手，豆包整個閉源的策略和後續的商業化是怎麼樣的？

譚待：我主要説一下火山引擎，開源和閉源不是關鍵，模型的優劣才是關鍵。

昨天 Open AI 發佈了 o4mini 和 o3，競爭是好事。若把當前的 AI 發展看作一場馬拉松，可能現在才跑了 500 米，大家在競爭中相互推動，無論是技術還是行業應用都能快速發展。

商業模式方面，火山引擎作為雲廠商，一是做好基礎設施 AI 雲原生；二是提供最好的模型以及模型上的各種應用，DeepSeek 推出後，所有云廠商中對其適配最好的就是火山引擎。

問：未來 2 年，火山引擎的大模型 token 調用還會保持近百倍的增長嗎？

譚待：從長期來看，百倍甚至更高的增長是有可能的，但具體是 2 年還是 3 年，最關鍵的取決於模型是否有重大突破。

去年到今年增長很快，是因為模型有幾個重大突破：一是，最基礎的聊天和信息處理能力提升且成本下降；二是，今年深度思考功能的推出也是一個突破。往後發展還有很多關鍵節點，比如，Agent 相關技術能否取得更大進展。

每一次大模型突破肯定能激發一次大的變化，但 2 年內能否再翻 100 倍，要謹慎樂觀。

問：針對豆包模型的全面升級，您給豆包的表現打多少分？這次升級更強調了文本推理更強、成本更低、更容易落地，這三個優勢哪個實現起來是最難的？

譚待：我就不打分了，因為模型進展太快，今天打 100 分，可能 1 個月以後只有 60 分，靜態打分意義不大。相比於主觀打分，更有價值的是客觀數據，比如有多少人使用豆包 APP，有多少大企業在調用豆包模型。

整體來説，實現效果好最難，因為要先用各種方法達到最好的效果，然後在這個基礎上再用各種方式去降低成本，這是一個優化的過程。

問：火山未來會支持 MCP 協議，或者類似的協議，您怎麼看待通過統一協議來爭奪開發生態話語權這樣一個競爭？

譚待：火山引擎已經支持了 MCP 協議。我覺得，協議統一很重要，以前不同廠商如 Google 或者其他相關產品，都有不同的插件協議，這使得開發者去適配的成本比較高。如果能做到統一協議，大家的應用開發就會更快，模型調用也會更智能。

我們希望一起擁抱和建設一個開放的協議，就像早期互聯網的 HTTP 和 HTML 協議一樣，這樣才能加速整個行業的發展。

問：那您考慮推出類似 A2A 這種新協議嗎？

譚待：我覺得，首先還是要把 MCP 這個最基礎的事情做好，A2A 可以看作是 MCP 的一個擴展。

問：火山引擎做 OS Agent 方案的原因是什麼？

譚待：火山引擎圍繞模型提供 OS Agent 方案，目標是做好相關基礎建設。很多時候，實現相關功能需要多模態的支持，如果要下單，調用 API，就需要 MCP 的支持。對於一些長尾需求，可能還需要直接操縱電腦、瀏覽器、手機等，這就是我們做 OS Agent 方案的原因。

問：關於 AI 智能眼鏡，想請您透露一下進展。

譚待：我也不是特別清楚。

對火山引擎來説，不管是內部需求還是外部需求，都採用統一的方案來解決。從外部視角看，隨着模型能力的提升，以前很多做不了的事情現在都可以實現，比如 AI 眼鏡、AI 玩具、智能攝像頭、門鎖等。

問：目前，字節對於 Agent 市場發展的看法是什麼？

譚待：不能簡單説是 “押注”。隨着 AI 發展，聊天和信息處理只是其中一小部分，要真正為各行各業帶來變革，Agent 是必經之路。如果做不好 Agent 相關工作，就難以實現 AI 的社會和經濟價值。

Agent 大概有兩種類型，一種是垂直類 Agent，另一種是通用型 Agent。對於垂直類 Agent，火山引擎會基於自身優勢領域進行探索，比如之前推出的數據 Agent。

對於通用型 Agent，更重要的是搭建好基礎框架、提供好用的工具，所以我們推出了 OS Agent 解決方案，藉助新的 AI 雲原生組件、SandBox 和新模型，讓開發者和企業能更輕鬆地打造自己的通用 Agent，這是火山未來的重要發展方向。

問：火山在對內支持和對外擴張上是怎樣的比重？接下來在團隊擴招上有沒有計劃？

譚待：從成立之初，我們就堅持技術內外統一，這樣既能保障對內服務，也能做好對外支持。通過技術和資源複用，我們能為內外客户提供性價比更高的服務，像我們的 MaaS 和雲服務，性價比優勢就源於此。

關於業務擴張，與規模相關的業務，如服務更多客户，需要擴充銷售團隊等，人員會相應增加；產品研發更注重質量，我們也在思考如何藉助 AI 提升自身產品研發和維護的效率。

問：接下來一兩年有保持領先優勢的規劃嗎？您如何定義 Agent？

譚待：我們致力於成為 AI 時代最優秀的雲廠商，始終秉持三個理念：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。未來我們會在這三方面持續發力。

目前，很多智算中心主要用於模型訓練，但模型只有在應用階段才能產生經濟價值。從今年到未來，模型應用的消耗將遠超訓練本身。

關於 Agent 定義，Agent 應能完成專業度較高、耗時較長的完整任務，這是從定性角度來看。從技術實現角度，如果沒有運用思考模型，缺乏反思和規劃能力，也很難被認定為 Agent。

今年大家對 Agent 的定義會更加清晰，或許會像自動駕駛分級（AgentL1、L2、L3、L4）一樣，對 Agent 進行分級，那些所謂的三四千個 Agent 可能只是 L1 級別，而真正落地可能需要達到 L2++ 及以上級別。

問：2025 年是 AI Agent 元年，字節這樣的大廠和 Manus 這樣的初創企業，誰機會更大？

譚待：機會大小取決於企業的創新能力，而非企業規模，不能以公司大小來判斷，持續保持創新能力才是關鍵。

問：大模型都存在幻覺問題，如果用於數據分析，如何減少或避免幻覺出現？

譚待：每個領域對大模型出現幻覺的接受程度都不同，關鍵在於如何降低幻覺出現的概率。

首先，模型本身的能力越強，出現幻覺的可能性越低；其次，可以引入知識庫來輔助模型，讓它在生成內容時有更可靠的參考依據；再者，增加類似驗證這樣的階段，持續提升模型在這方面的能力。