字节AI推动Agent加速落地

作者 | 刘宝丹

编辑 |黄昱

在AI模型落地之战中，All In AI的字节拿出了最新武器。

4月17日，火山引擎面向企业市场发布豆包1.5・深度思考模型，它具备视觉推理能力，能像人类一样对看到的事物进行联想和思考。同时，火山引擎还升级了文生图模型3.0和视觉理解模型。

火山引擎总裁谭待表示，豆包1.5・深度思考模型在专业领域的推理任务中表现出色，数学推理AIME2024测试得分追平Open AI o3-mini-high。它在编程竞赛、科学推理、创意写作等方面也表现出色。

深度思考模型是构建Agent的基础，得益于模型性能的提升，字节开始把重点放在Agent落地上。

谭待希望，AI能够解决更复杂，更完整的问题，不再仅仅是对信息的感知、处理和生成，而是能端到端的处理任务。比如，帮用户做好行程规划并且完成买票。

会上，火山引擎宣布推出OS Agent解决方案及AI云原生推理套件，帮助企业更快、更省地构建和部署Agent应用。

华尔街见闻获悉，OS Agent解决方案包含豆包UI-TARS模型，以及veFaaS函数服务、云服务器、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。

以豆包UI-TARS模型为例，它将屏幕视觉理解、逻辑推理、界面元素定位和操作整合在一起，突破传统自动化工具依赖预设规则的局限性，为Agent的智能交互提供了更接近人类操作的模型基础。

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

为此，火山引擎专门打造了AI云原生Serving Kit推理套件，让模型部署更快、推理成本更低。华尔街见闻从火山引擎内部获悉，GPU消耗相比传统方案降低80%。

随着Agent加快落地，对火山引擎来说，会带来更大量的模型推理消耗。

据火山引擎披露，截至2025年3月底，豆包大模型日均tokens调用量已达到12.7万亿，较去年5月发布时增长上百倍。根据IDC发布的《中国公有云大模型服务市场格局分析，1Q25》显示，火山引擎以46.4%的市场份额位居第一。

不过，Agent仍处于探索阶段，火山引擎要想更好推动Agent落地，还要在市场中接受更多考验。

以下为华尔街见闻与谭待的交流实录（经编辑）：

问：DeepSeek R2正在紧锣密鼓地筹划，面对这个开源的强力竞争对手，豆包整个闭源的策略和后续的商业化是怎么样的？

谭待：我主要说一下火山引擎，开源和闭源不是关键，模型的优劣才是关键。

昨天Open AI发布了o4mini和o3，竞争是好事。若把当前的AI发展看作一场马拉松，可能现在才跑了500米，大家在竞争中相互推动，无论是技术还是行业应用都能快速发展。

商业模式方面，火山引擎作为云厂商，一是做好基础设施AI云原生；二是提供最好的模型以及模型上的各种应用，DeepSeek推出后，所有云厂商中对其适配最好的就是火山引擎。

问：未来2年，火山引擎的大模型token调用还会保持近百倍的增长吗？

谭待：从长期来看，百倍甚至更高的增长是有可能的，但具体是2年还是3年，最关键的取决于模型是否有重大突破。

去年到今年增长很快，是因为模型有几个重大突破：一是，最基础的聊天和信息处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个突破。往后发展还有很多关键节点，比如，Agent相关技术能否取得更大进展。

每一次大模型突破肯定能激发一次大的变化，但2年内能否再翻100倍，要谨慎乐观。

问：针对豆包模型的全面升级，您给豆包的表现打多少分？这次升级更强调了文本推理更强、成本更低、更容易落地，这三个优势哪个实现起来是最难的？

谭待：我就不打分了，因为模型进展太快，今天打100分，可能1个月以后只有60分，静态打分意义不大。相比于主观打分，更有价值的是客观数据，比如有多少人使用豆包APP，有多少大企业在调用豆包模型。

整体来说，实现效果好最难，因为要先用各种方法达到最好的效果，然后在这个基础上再用各种方式去降低成本，这是一个优化的过程。

问：火山未来会支持MCP协议，或者类似的协议，您怎么看待通过统一协议来争夺开发生态话语权这样一个竞争？

谭待：火山引擎已经支持了MCP协议。我觉得，协议统一很重要，以前不同厂商如Google或者其他相关产品，都有不同的插件协议，这使得开发者去适配的成本比较高。如果能做到统一协议，大家的应用开发就会更快，模型调用也会更智能。

我们希望一起拥抱和建设一个开放的协议，就像早期互联网的HTTP和HTML协议一样，这样才能加速整个行业的发展。
问：那您考虑推出类似A2A这种新协议吗？

谭待：我觉得，首先还是要把MCP这个最基础的事情做好，A2A可以看作是MCP的一个扩展。

问：火山引擎做OS Agent方案的原因是什么？

谭待：火山引擎围绕模型提供OS Agent方案，目标是做好相关基础建设。很多时候，实现相关功能需要多模态的支持，如果要下单，调用API，就需要MCP的支持。对于一些长尾需求，可能还需要直接操纵电脑、浏览器、手机等，这就是我们做OS Agent方案的原因。

问：关于AI智能眼镜，想请您透露一下进展。

谭待：我也不是特别清楚。

对火山引擎来说，不管是内部需求还是外部需求，都采用统一的方案来解决。从外部视角看，随着模型能力的提升，以前很多做不了的事情现在都可以实现，比如AI眼镜、AI玩具、智能摄像头、门锁等。

问：目前，字节对于Agent市场发展的看法是什么？

谭待：不能简单说是“押注”。随着AI发展，聊天和信息处理只是其中一小部分，要真正为各行各业带来变革，Agent是必经之路。如果做不好Agent相关工作，就难以实现AI的社会和经济价值。

Agent大概有两种类型，一种是垂直类Agent，另一种是通用型Agent。对于垂直类Agent，火山引擎会基于自身优势领域进行探索，比如之前推出的数据Agent。

对于通用型Agent，更重要的是搭建好基础框架、提供好用的工具，所以我们推出了OS Agent解决方案，借助新的AI云原生组件、SandBox和新模型，让开发者和企业能更轻松地打造自己的通用Agent，这是火山未来的重要发展方向。

问：火山在对内支持和对外扩张上是怎样的比重？接下来在团队扩招上有没有计划？

谭待：从成立之初，我们就坚持技术内外统一，这样既能保障对内服务，也能做好对外支持。通过技术和资源复用，我们能为内外客户提供性价比更高的服务，像我们的MaaS和云服务，性价比优势就源于此。

关于业务扩张，与规模相关的业务，如服务更多客户，需要扩充销售团队等，人员会相应增加；产品研发更注重质量，我们也在思考如何借助AI提升自身产品研发和维护的效率。

问：接下来一两年有保持领先优势的规划吗？您如何定义Agent？

谭待：我们致力于成为AI时代最优秀的云厂商，始终秉持三个理念：持续优化模型，保持竞争力；不断降低成本，包括费用、延迟和提高吞吐率；让产品更易于落地。未来我们会在这三方面持续发力。

目前，很多智算中心主要用于模型训练，但模型只有在应用阶段才能产生经济价值。从今年到未来，模型应用的消耗将远超训练本身。

关于Agent定义，Agent应能完成专业度较高、耗时较长的完整任务，这是从定性角度来看。从技术实现角度，如果没有运用思考模型，缺乏反思和规划能力，也很难被认定为Agent。

今年大家对Agent的定义会更加清晰，或许会像自动驾驶分级（AgentL1、L2、L3、L4）一样，对Agent进行分级，那些所谓的三四千个Agent可能只是L1级别，而真正落地可能需要达到L2++及以上级别。

问：2025年是AI Agent元年，字节这样的大厂和Manus这样的初创企业，谁机会更大？

谭待：机会大小取决于企业的创新能力，而非企业规模，不能以公司大小来判断，持续保持创新能力才是关键。

问：大模型都存在幻觉问题，如果用于数据分析，如何减少或避免幻觉出现？

谭待：每个领域对大模型出现幻觉的接受程度都不同，关键在于如何降低幻觉出现的概率。

首先，模型本身的能力越强，出现幻觉的可能性越低；其次，可以引入知识库来辅助模型，让它在生成内容时有更可靠的参考依据；再者，增加类似验证这样的阶段，持续提升模型在这方面的能力。