{"id":91947,"topic":"ai","source":"geekpark.net","title":"豆包大模型 1.8 发布，通用 Agent 模型成为了 AI 行业的新叙事 - geekpark.net","url":"https://www.geekpark.net/news/371246","url_hash":"db8e2ca8c623e22454b14ea92c201d119efd664b","author":"","summary":"<a href=\"https://news.google.com/rss/articles/CBMiTEFVX3lxTE0tUWZYZFhzbkZMRHBJQ0R2TVZsZ0EzUGZkd0swc1o1RVpGRHJsOHIxOXVlTVhna1oxck5SNURsdHNzdVZHUF9aMjR3bWE?oc=5\" target=\"_blank\">豆包大模型 1.8 发布，通用 Agent 模型成为了 AI 行业的新叙事</a>&nbsp;&nbsp;<font color=\"#6f6f6f\">geekpark.net</font>","content":"基模的「厚度」最终决定了Agent的天花板。\n本文首发于 Founder Park 公众号 · 2025 年 12 月 19 日\n兜兜转转，2025 年的 AI 行业，以 DeepSeek R1 和 Manus 开局，最终又回到了基模本身的主线叙事。\n谁对 Agent 的支持能力更好、谁的 Coding 能力更强、谁能用好工具，谁才是今天开发者更愿意选择的模型。\n不再只看榜单分数，解决现实世界复杂任务的能力，成为了衡量模型的新标准。\n字节在昨天发布的豆包大模型 1.8，同样选择增强了对于 Agent 的支持能力，除了继续增强 Coding 和工具使用能力之外，豆包 1.8 选择了一个更有想象力的场景——OS Agent。\n一个不仅能搜索、能写代码，还能「看见」世界并且进行交互的 Agent。\n不仅如此，随着模型同步发布的，还有一套基于现实世界任务的新的 Evaluation System，喊了一年的「AI 下半场」，或许这套评测集，是我们开启下半场的方式之一。\n超 17000 人的「AI 产品市集」社群！不错过每一款有价值的 AI 应用。\n- 最新、最值得关注的 AI 新品资讯； \n- 不定期赠送热门新品的邀请码、会员码； \n- 最精准的AI产品曝光渠道 \n01\n真正好用的基模：原生多模态+thinking\n今天模型的技术发展，已经不再局限于基于文本模型了，先是 R1 和 o1 带来的 thinking 能力，然后就是厂商一直在增强的模型的视觉能力，用「眼睛」看懂和理解世界的能力。\n如果 Agent 真的想成为人类现实世界复杂任务的助手，视觉能力是它们理解和执行这些复杂任务的有力保障。\n过去，给大模型增加视觉理解能力一般是通过外挂的方式，在文本模型的基础上，加上 VLM 的能力，甚至单独发布一个 VLM 的模型。比如 OpenAI 在 2023 年发布的 GPT-4V 模型，而 Gemini 系列，采用了更原生、更端到端的方案，原生就是一款具备多模态理解能力的模型。\n豆包模型也是这个思路，豆包 1.6 版本将 LLM 和 VLM 组合在一起，豆包 1.8 从一开始的预训练，就实现端到端的训练，不仅保留了文本的推理性能，还实现了视觉理解能力的显著提升，这才有了技术报告中的仅次于 Gemini 3 Pro 的能力表现。\n数据来自豆包 1.8 Model Card\n在这么短的时间内，实现对于 Gemini 系列的追赶和对标，某种角度上，也证明了基模公司之间，大家对于模型未来的发展是有共识的，无非是谁先能找到最高效的那条路而已。\n至于 thinking 能力，豆包模型从 1.6 版本就实现了原生支持4种思考长度，让开发者根据场景实现思考长度的自调节，兼容不同的任务，很明显，thinking 能力是现在基模的标配，而不是可选项。\n02\nAgent 有了视觉能力，\n解锁了更有想象力的新场景\nManus 开启了今年的 AI Agent 创业热潮，基模对于工具的调用能力成为创业者关注的重点，工具调用的可靠性问题成为了很多创业者在 Agent 场景的痛点。\n豆包 1.8 版本，和今年发布的其他几款模型尤其是国产模型 Kimi K2、MiniMax M2 一样，重点增强了 Agent 使用工具的能力。\n从技术报告中可以看出，豆包 1.8 在工具调用、智能体搜索、智能体编程和复杂指令遵循上都有了能力的大幅提升。\n官方演示的调用工具的案例\n从演示案例中可以明显看出，在 Agent 之外，豆包 1.8 核心的 agent 能力是 OS Agent，原生基座的视觉能力使它能够「看见」并直接与界面交互。\n电脑、网页、移动端三类环境中任务执行能力的评测，数据来自官方 Model Çard。\n能看到、能理解、能操作，带来了新的使用场景和想象力。\n比如常见的 GUI 操作类任务，app 调用、企业 RPA 流程的一些自动化任务，比如最近引起热议的豆包手机助手。\nOS Agent 可能带来了哪些新的可能性？\n- 没有 api 或者很难提供 api 接口的系统，比如维护多年的银行 ERP、公司的内网系统等等这些传统 Agent 基本无法搞定的场景，今天可以用 OS Agent 的方式去提效了。 \n- 对 api 调用限制极其严格或者需要改造 api 的系统，GUI Agent 可以直接模拟网页操作，绕过 api 限制，实现跨平台的数据搬运。 \n- 视频理解创作更容易了，OS Agent 可以「看」懂画布。图片修改、视频修改，Agent 是通过视觉识别这些元素并拖拽鼠标完成的，而不是修改底层代码。 \n- 借助模型的视觉能力和自带的 Video 工具，GUI Agent 可以进行实时的视频流理解 + 动作决策。操作 app、监控视频的实时解析、甚至代打游戏不再是个难题了。 \n我们可以再往前畅想一步，今天是 Agent 在理解为人类设计的软件，下一步，很多软件可能会面向 Agent 设计交互，不再需要开发复杂的前端界面给人类看，软件只需要暴露一个极简的、高密度的信息界面给 Agent 看即可。\n再下一步呢，Agent 可以根据当前的任务，实时生成一个临时的 UI 给人类确认，一个只需要简单交互就可以实现任务交付。\n欢迎来到 Generative UI 的时代！（但可能还需要一段时间）\n03\n基模的「厚度」决定了 Agent 的天花板\n对创业者来说，Seed 1.8 有一个重要的更新值得特别介绍下——思考模式下的工具调用，这个在 Claude Sonnet 4.5 和 DeepSeek-V3.2 中都已经推广使用的工具调用方式。核心是让模型在在保留推理状态的同时，进行多次工具调用。模型能够利用历史轮次的思考内容，最终给出更详尽准确的回答。对于长链路的 Agent 任务，保留推理状态能够显著提升最终的完成效果。\n豆包 1.8 思考模式下的工具调用。\nAgent 最终的能力如何，某种意义上来说，又回到基模本身的能力和厚度上。\nThinking 不再是单独的功能，而变成了基模的一个开关。\n视频理解工具已经被模型原生的多模态能力吞噬了，基础模型自己就能直接「看」完一个半小时视频并回答问题。工具塌缩成了模型的感觉器官。\nCoding 不再是一个垂直行业技能，而是它操作计算机、调用工具、处理文件的基础语言能力。当基模足够强，Coding 就从一个「应用」塌缩成了基模的标准能力。\n或者可以说，很多上层应用，Agent、Coding、垂直工具的能力，最终又塌缩回基模本身。\n开发者们需要做的，是搭建自己的 Context Engineering，利用模型的通用智能，去解决那些它因为缺乏数据和反馈而解决不了的「最后一公里」问题。\n04\n真正的 AI 下半场，\n模型能力取决于你的 Evaluation\n就如同姚顺雨所说，我们进入了一个「定义问题将比解决问题更重要，evaluation 比 training 更重要」的时代。\n年初的 DeepSeek R1，年中的 Claude 4.5、Kimi K2、MiniMax M2，年底的 GPT-5.2、Gemini 3 Pro 和豆包 1.8，每款模型发布后，基本都会刷榜各个评测集。\n但每款模型都能刷榜，也就意味着这些旧的评测集，存在的意义已经消失了。\n没人再关心 GSM8K 的分数是 95 还是 96，大家只关心模型能不能独立分析完一张 Excel 表，能不能完成一项现实世界里需要花费 2h 完成的任务。\n模型之间真正的能力对比，已经不是看公开榜单的做题能力了。\n如何定义新的 Evaluation，在豆包 1.8 的 Model Card 中，团队发布了他们的 Evaluation System，可以当做对这个问题的一种回答。\n评估系统遵循以下三个主要原则：\n1. 优先考虑用户体验 ：首先分析真实世界的用户需求。通过研究像 ChatGPT 这样的通用模型的实际使用案例分布（例如，查信息、文本编辑和辅导是前三大类别），豆包 1.8 的评估系统涵盖了关键的流行用例，从而更好地与 C 端用户需求对齐。\nOpenAI 发布的 ChatGPT 用户用例。\n2. 转向真实世界场景：从合成的、孤立的任务转向现实的、面向应用的场景。因为标准基准上的高分并不总是能转化为实际价值，因此，评估设计了具有高经济价值的任务，这些任务模仿了现实世界的复杂性。\n3. 推动智能前沿：在优先考虑实际可用性的同时，评估系统仍然致力于推进通用智能。系统通过设计涵盖高级推理、数学和编码的新基准，来衡量模型的峰值性能，确保核心智能不会因为侧重可用性而被削弱。\n在和豆包模型技术人员的交流中，他们分享了一个大众以为很容易，实际上很难的场景——客服场景，就是一个很典型的从真实世界场景出发的评测任务。\n客服是一个难度被低估的场景，数据分析反而比客服简单。因为像 Coding、数据分析这类任务，天然存在大量公开数据，而且比较好验证。而客服，需要获得大量的 SOP 很难，任务里涉及很多因素不好验证，中间还有幻觉，准确性要求又极高，很难做成一个 Copilot。\n但如果做好了，反过来，模型能力的提升，又解锁了客服场景的新体验。比如因为 AI 的高情商，在承担客服的过程中，甚至还当上了销售，用户本来是要修手机，最后却购买了一台新的手机。","image_url":"https://imgslim.geekpark.net/uploads/image/file/ff/1a/ff1aca5b1c4bdf645ca104ed5c7acaf0.jpg","lang":"zh","published_at":"2026-09-28T12:49:21+00:00","fetched_at":"2026-09-28T13:15:08+00:00","status":"read","starred":0,"extract_state":"ok","summary_auto":"基模的「厚度」最终决定了Agent的天花板。\n本文首发于 Founder Park 公众号 · 2025 年 12 月 19 日\n兜兜转转，2025 年的 AI 行业，以 DeepSeek R1 和 Manus 开局，最终又回到了基模本身的主线叙事。\n谁对 Agent 的支持能力更好、谁的 Coding 能力更强、谁能用好工具，谁才是今天开发者更愿意选择的模型。\n不再只看榜单分数，解决现实世界复杂任务的能力，成为了衡量模型的新标准。\n字节在昨天发布的豆包大模型 1.8，同样选择增强了对于 Agent 的支持能力，除了继续增强 Coding 和工具使用能力之外，豆包 1.8 选择了一个更有想象力的场景——OS Agent。\n一个不仅能搜索、能写代码，还能「看见」世界并且进行交互的 Agent。\n不仅如此，随着模型同步发布的，还有一套基于现实世界任务的新的 Evaluation System，喊了一年的「AI 下半场」，或许这套评测集，是我们开启下半场的方式之一。\n超 17000 人的「AI 产品市集」社群！不错过每一款有价值的 AI 应用。\n- 最新、最值得关注的 AI 新品资讯； \n- 不定期赠送热门新品的邀请码、会员码； \n- 最精准的AI产品曝光渠道 \n01\n真正好用的基模：原生多模态+thinking\n今天模型的技术发展，已经不再局限于基于文本模型了，先是 R1 和 o1 带来的 thinking 能力，然后就是厂商一直在增强的模型的视觉能力，用「眼睛」看懂和理解世界的能力。\n如果 Agent 真的想成为人类现实世界复杂任务的助手，视觉能力是它们理解和执行这些复杂任务的有力保障。\n过去，给大模型增加视觉理解能力一般是通过外挂的方式，在文本模型的基础上，加上 VLM 的能力，甚至单独发布一个 VLM 的模型。比如 OpenAI 在 2023 年发布的 GPT-4V 模型，而 Gemini 系列，采用了更原生、更端到端的方案，原生就是一款具备多模态理解能力的模型。\n豆包模型也是这个思路，豆包 1.6 版本将 LLM 和 VLM 组合在一起，豆包 1.8 从一开始的预训练，就实现端到端的训练，不仅保留了文本的推理性能，还实现了视觉理解能力的显著提升，这才有了技术报告中的仅次于 Gemini 3 Pro 的能力表现。\n数据来自豆包 1.8 Model Card\n在这么短的时间内，实现对于 Gemini 系列的追赶和对标，某种角度上，也证明了基模公司之间，大家对于模型未来的发展是有共识的，无非是谁先能找到最高效的那条路而已。\n至于 thinking 能力，豆包模型从 1.6 版本就实现了原生支持4种思考长度，让开发者根据场景实现思考长度的自调节，兼容不同的任务，很明显，thinking 能力是现在基模的标配，而不是可选项。\n02\nAgent 有了视觉能力，\n解锁了更有想象力的新场景\nManus 开启了今年的 AI Agent 创业热潮，基模对于工具的调用能力成为创业者关注的重点，工具调用的可靠性问题成为了很多创业者在 Agent 场景的痛点。\n豆包 1.8 版本，和今年发布的其他几款模型尤其是国产模型 Kimi K2、MiniMax M2 一样，重点增强了 Agent 使用工具的能力。\n从技术报告中可以看出，豆包 1.8 在工具调用、智能体搜索、智能体编程和复杂指令遵循上都有了能力的大幅提升。\n官方演示的调用工具的案例\n从演示案例中可以明显看出，在 Agent 之外，豆包 1.8 核心的 agent 能力是 OS Agent，原生基座的视觉能力使它能够「看见」并直接与界面交互。\n电脑、网页、移动端三类环境中任务执行能力的评测，数据来自官方 Model Çard。\n能看到、能理解、能操作，带来了新的使用场景和想象力。\n比如常见的 GUI 操作类任务，app 调用、企业 RPA 流程的一些自动化任务，比如最近引起热议的豆包手机助手。\nOS Agent 可能带来了哪些新的可能性？\n- 没有 api 或者很难提供 api 接口的系统，比如维护多年的银行 ERP、公司的内网系统等等这些传统 Agent 基本无法搞定的场景，今天可以用 OS Agent 的方式去提效了。 \n- 对 api 调用限制极其严格或者需要改造 api 的系统，GUI Agent 可以直接模拟网页操作，绕过 api 限制，实现跨平台的数据搬运。 \n- 视频理解创作更容易了，OS Agent 可以「看」懂画布。图片修改、视频修改，Agent 是通过视觉识别这些元素并拖拽鼠标完成的，而不是修改底层代码。 \n- 借助模型的视觉能力和自带的 Video 工具，GUI Agent 可以进行实时的视频流理解 + 动作决策。操作 app、监控视频的实时解析、甚至代打游戏不再是个难题了。 \n我们可以再往前畅想一步，今天是 Agent 在理解为人类设计的软件，下一步，很多软件可能会面向 Agent 设计交互，不再需要开发复杂的前端界面给人类看，软件只需要暴露一个极简的、高密度的信息界面给 Agent 看即可。\n再下一步呢，Agent 可以根据当前的任务，实时生成一个临时的 UI 给人类确认，一个只需要简单交互就可以实现任务交付。\n欢迎来到 Generative UI 的时代！（但可能还需要一段时间）\n03\n基模的「厚度」决定了 Agent 的天花板\n对创业者来说，Seed 1.8 有一个重要的更新值得特别介绍下——思考模式下的工具调用，这个在 Claude Sonnet 4.5 和 DeepSeek-V3.2 中都已经推广使用的工具调用方式。核心是让模型在在保留推理状态的同时，进行多次工具调用。模型能够利用历史轮次的思考内容，最终给出更详尽准确的回答。对于长链路的 Agent 任务，保留推理状态能够显著提升最终的完成效果。\n豆包 1.8 思考模式下的工具调用。\nAgent 最终的能力如何，某种意义上来说，又回到基模本身的能力和厚度上。\nThinking 不再是单独的功能，而变成了基模的一个开关。\n视频理解工具已经被模型原生的多模态能力吞噬了，基础模型自己就能直接「看」完一个半小时视频并回答问题。工具塌缩成了模型的感觉器官。\nCoding 不再是一个垂直行业技能，而是它操作计算机、调用工具、处理文件的基础语言能力。当基模足够强，Coding 就从一个「应用」塌缩成了基模的标准能力。\n或者可以说，很多上层应用，Agent、Coding、垂直工具的能力，最终又塌缩回基模本身。\n开发者们需要做的，是搭建自己的 Context Engineering，利用模型的通用智能，去解决那些它因为缺乏数据和反馈而解决不了的「最后一公里」问题。\n04\n真正的 AI 下半场，\n模型能力取决于你的 Evaluation\n就如同姚顺雨所说，我们进入了一个「定义问题将比解决问题更重要，evaluation 比 training 更重要」的时代。\n年初的 DeepSeek R1，年中的 Claude 4.5、Kimi K2、MiniMax M2，年底的 GPT-5.2、Gemini 3 Pro 和豆包 1.8，每款模型发布后，基本都会刷榜各个评测集。\n但每款模型都能刷榜，也就意味着这些旧的评测集，存在的意义已经消失了。\n没人再关心 GSM8K 的分数是 95 还是 96，大家只关心模型能不能独立分析完一张 Excel 表，能不能完成一项现实世界里需要花费 2h 完成的任务。\n模型之间真正的能力对比，已经不是看公开榜单的做题能力了。\n如何定义新的 Evaluation，在豆包 1.8 的 Model Card 中，团队发布了他们的 Evaluation System，可以当做对这个问题的一种回答。\n评估系统遵循以下三个主要原则：\n1. 优先考虑用户体验 ：首先分析真实世界的用户需求。通过研究像 ChatGPT 这样的通用模型的实际使用案例分布（例如，查信息、文本编辑和辅导是前三大类别），豆包 1.8 的评估系统涵盖了关键的流行用例，从而更好地与 C 端用户需求对齐。\nOpenAI 发布的 ChatGPT 用户用例。\n2.","cluster_id":null,"extract_retries":0,"extract_error":null,"contract_version":"news_item.v1","format_contract_version":"news_item_formats.v1","dedup_url":"https://www.geekpark.net/news/371246","quality_profile":{"profile_version":"extraction_quality.v2","bucket":"high","confidence":0.9,"failure_kind":"none","retryable":false,"retry_after_attempts":0,"reason":"High confidence: full text extraction produced 3851 characters.","operator_guidance":{"severity":"ok","recommended_action":"trust_full_text","next_step":"Use the extracted full text as the primary article source.","operator_label":"Ready","can_retry":false,"can_use_summary":false,"diagnostics_required":false},"content_depth":{"contract_version":"content_depth.v1","category":"full_text","label":"Full text","has_full_text":true,"has_summary":true,"content_length":3851,"summary_length":3377,"usable_text_length":3851,"source_field":"content"},"legacy_collapsed":false,"signals":{"extract_state":"ok","extract_error":null,"extract_retries":0,"content_length":3851,"summary_length":3377}},"news_item":{"id":91947,"canonical_url":"https://www.geekpark.net/news/371246","source_url":"https://www.geekpark.net/news/371246","title":"豆包大模型 1.8 发布，通用 Agent 模型成为了 AI 行业的新叙事 - geekpark.net","source_name":"geekpark.net","author":null,"published_at":"2026-09-28T12:49:21+00:00","locale":"zh","topic":"ai","tags":[],"rss_summary":"<a href=\"https://news.google.com/rss/articles/CBMiTEFVX3lxTE0tUWZYZFhzbkZMRHBJQ0R2TVZsZ0EzUGZkd0swc1o1RVpGRHJsOHIxOXVlTVhna1oxck5SNURsdHNzdVZHUF9aMjR3bWE?oc=5\" target=\"_blank\">豆包大模型 1.8 发布，通用 Agent 模型成为了 AI 行业的新叙事</a>&nbsp;&nbsp;<font color=\"#6f6f6f\">geekpark.net</font>","full_text":"基模的「厚度」最终决定了Agent的天花板。\n本文首发于 Founder Park 公众号 · 2025 年 12 月 19 日\n兜兜转转，2025 年的 AI 行业，以 DeepSeek R1 和 Manus 开局，最终又回到了基模本身的主线叙事。\n谁对 Agent 的支持能力更好、谁的 Coding 能力更强、谁能用好工具，谁才是今天开发者更愿意选择的模型。\n不再只看榜单分数，解决现实世界复杂任务的能力，成为了衡量模型的新标准。\n字节在昨天发布的豆包大模型 1.8，同样选择增强了对于 Agent 的支持能力，除了继续增强 Coding 和工具使用能力之外，豆包 1.8 选择了一个更有想象力的场景——OS Agent。\n一个不仅能搜索、能写代码，还能「看见」世界并且进行交互的 Agent。\n不仅如此，随着模型同步发布的，还有一套基于现实世界任务的新的 Evaluation System，喊了一年的「AI 下半场」，或许这套评测集，是我们开启下半场的方式之一。\n超 17000 人的「AI 产品市集」社群！不错过每一款有价值的 AI 应用。\n- 最新、最值得关注的 AI 新品资讯； \n- 不定期赠送热门新品的邀请码、会员码； \n- 最精准的AI产品曝光渠道 \n01\n真正好用的基模：原生多模态+thinking\n今天模型的技术发展，已经不再局限于基于文本模型了，先是 R1 和 o1 带来的 thinking 能力，然后就是厂商一直在增强的模型的视觉能力，用「眼睛」看懂和理解世界的能力。\n如果 Agent 真的想成为人类现实世界复杂任务的助手，视觉能力是它们理解和执行这些复杂任务的有力保障。\n过去，给大模型增加视觉理解能力一般是通过外挂的方式，在文本模型的基础上，加上 VLM 的能力，甚至单独发布一个 VLM 的模型。比如 OpenAI 在 2023 年发布的 GPT-4V 模型，而 Gemini 系列，采用了更原生、更端到端的方案，原生就是一款具备多模态理解能力的模型。\n豆包模型也是这个思路，豆包 1.6 版本将 LLM 和 VLM 组合在一起，豆包 1.8 从一开始的预训练，就实现端到端的训练，不仅保留了文本的推理性能，还实现了视觉理解能力的显著提升，这才有了技术报告中的仅次于 Gemini 3 Pro 的能力表现。\n数据来自豆包 1.8 Model Card\n在这么短的时间内，实现对于 Gemini 系列的追赶和对标，某种角度上，也证明了基模公司之间，大家对于模型未来的发展是有共识的，无非是谁先能找到最高效的那条路而已。\n至于 thinking 能力，豆包模型从 1.6 版本就实现了原生支持4种思考长度，让开发者根据场景实现思考长度的自调节，兼容不同的任务，很明显，thinking 能力是现在基模的标配，而不是可选项。\n02\nAgent 有了视觉能力，\n解锁了更有想象力的新场景\nManus 开启了今年的 AI Agent 创业热潮，基模对于工具的调用能力成为创业者关注的重点，工具调用的可靠性问题成为了很多创业者在 Agent 场景的痛点。\n豆包 1.8 版本，和今年发布的其他几款模型尤其是国产模型 Kimi K2、MiniMax M2 一样，重点增强了 Agent 使用工具的能力。\n从技术报告中可以看出，豆包 1.8 在工具调用、智能体搜索、智能体编程和复杂指令遵循上都有了能力的大幅提升。\n官方演示的调用工具的案例\n从演示案例中可以明显看出，在 Agent 之外，豆包 1.8 核心的 agent 能力是 OS Agent，原生基座的视觉能力使它能够「看见」并直接与界面交互。\n电脑、网页、移动端三类环境中任务执行能力的评测，数据来自官方 Model Çard。\n能看到、能理解、能操作，带来了新的使用场景和想象力。\n比如常见的 GUI 操作类任务，app 调用、企业 RPA 流程的一些自动化任务，比如最近引起热议的豆包手机助手。\nOS Agent 可能带来了哪些新的可能性？\n- 没有 api 或者很难提供 api 接口的系统，比如维护多年的银行 ERP、公司的内网系统等等这些传统 Agent 基本无法搞定的场景，今天可以用 OS Agent 的方式去提效了。 \n- 对 api 调用限制极其严格或者需要改造 api 的系统，GUI Agent 可以直接模拟网页操作，绕过 api 限制，实现跨平台的数据搬运。 \n- 视频理解创作更容易了，OS Agent 可以「看」懂画布。图片修改、视频修改，Agent 是通过视觉识别这些元素并拖拽鼠标完成的，而不是修改底层代码。 \n- 借助模型的视觉能力和自带的 Video 工具，GUI Agent 可以进行实时的视频流理解 + 动作决策。操作 app、监控视频的实时解析、甚至代打游戏不再是个难题了。 \n我们可以再往前畅想一步，今天是 Agent 在理解为人类设计的软件，下一步，很多软件可能会面向 Agent 设计交互，不再需要开发复杂的前端界面给人类看，软件只需要暴露一个极简的、高密度的信息界面给 Agent 看即可。\n再下一步呢，Agent 可以根据当前的任务，实时生成一个临时的 UI 给人类确认，一个只需要简单交互就可以实现任务交付。\n欢迎来到 Generative UI 的时代！（但可能还需要一段时间）\n03\n基模的「厚度」决定了 Agent 的天花板\n对创业者来说，Seed 1.8 有一个重要的更新值得特别介绍下——思考模式下的工具调用，这个在 Claude Sonnet 4.5 和 DeepSeek-V3.2 中都已经推广使用的工具调用方式。核心是让模型在在保留推理状态的同时，进行多次工具调用。模型能够利用历史轮次的思考内容，最终给出更详尽准确的回答。对于长链路的 Agent 任务，保留推理状态能够显著提升最终的完成效果。\n豆包 1.8 思考模式下的工具调用。\nAgent 最终的能力如何，某种意义上来说，又回到基模本身的能力和厚度上。\nThinking 不再是单独的功能，而变成了基模的一个开关。\n视频理解工具已经被模型原生的多模态能力吞噬了，基础模型自己就能直接「看」完一个半小时视频并回答问题。工具塌缩成了模型的感觉器官。\nCoding 不再是一个垂直行业技能，而是它操作计算机、调用工具、处理文件的基础语言能力。当基模足够强，Coding 就从一个「应用」塌缩成了基模的标准能力。\n或者可以说，很多上层应用，Agent、Coding、垂直工具的能力，最终又塌缩回基模本身。\n开发者们需要做的，是搭建自己的 Context Engineering，利用模型的通用智能，去解决那些它因为缺乏数据和反馈而解决不了的「最后一公里」问题。\n04\n真正的 AI 下半场，\n模型能力取决于你的 Evaluation\n就如同姚顺雨所说，我们进入了一个「定义问题将比解决问题更重要，evaluation 比 training 更重要」的时代。\n年初的 DeepSeek R1，年中的 Claude 4.5、Kimi K2、MiniMax M2，年底的 GPT-5.2、Gemini 3 Pro 和豆包 1.8，每款模型发布后，基本都会刷榜各个评测集。\n但每款模型都能刷榜，也就意味着这些旧的评测集，存在的意义已经消失了。\n没人再关心 GSM8K 的分数是 95 还是 96，大家只关心模型能不能独立分析完一张 Excel 表，能不能完成一项现实世界里需要花费 2h 完成的任务。\n模型之间真正的能力对比，已经不是看公开榜单的做题能力了。\n如何定义新的 Evaluation，在豆包 1.8 的 Model Card 中，团队发布了他们的 Evaluation System，可以当做对这个问题的一种回答。\n评估系统遵循以下三个主要原则：\n1. 优先考虑用户体验 ：首先分析真实世界的用户需求。通过研究像 ChatGPT 这样的通用模型的实际使用案例分布（例如，查信息、文本编辑和辅导是前三大类别），豆包 1.8 的评估系统涵盖了关键的流行用例，从而更好地与 C 端用户需求对齐。\nOpenAI 发布的 ChatGPT 用户用例。\n2. 转向真实世界场景：从合成的、孤立的任务转向现实的、面向应用的场景。因为标准基准上的高分并不总是能转化为实际价值，因此，评估设计了具有高经济价值的任务，这些任务模仿了现实世界的复杂性。\n3. 推动智能前沿：在优先考虑实际可用性的同时，评估系统仍然致力于推进通用智能。系统通过设计涵盖高级推理、数学和编码的新基准，来衡量模型的峰值性能，确保核心智能不会因为侧重可用性而被削弱。\n在和豆包模型技术人员的交流中，他们分享了一个大众以为很容易，实际上很难的场景——客服场景，就是一个很典型的从真实世界场景出发的评测任务。\n客服是一个难度被低估的场景，数据分析反而比客服简单。因为像 Coding、数据分析这类任务，天然存在大量公开数据，而且比较好验证。而客服，需要获得大量的 SOP 很难，任务里涉及很多因素不好验证，中间还有幻觉，准确性要求又极高，很难做成一个 Copilot。\n但如果做好了，反过来，模型能力的提升，又解锁了客服场景的新体验。比如因为 AI 的高情商，在承担客服的过程中，甚至还当上了销售，用户本来是要修手机，最后却购买了一台新的手机。","excerpt":"基模的「厚度」最终决定了Agent的天花板。\n本文首发于 Founder Park 公众号 · 2025 年 12 月 19 日\n兜兜转转，2025 年的 AI 行业，以 DeepSeek R1 和 Manus 开局，最终又回到了基模本身的主线叙事。\n谁对 Agent 的支持能力更好、谁的 Coding 能力更强、谁能用好工具，谁才是今天开发者更愿意选择的模型。\n不再只看榜单分数，解决现实世界复杂任务的能力，成为了衡量模型的新标准。\n字节在昨天发布的豆包大模型 1.8，同样选择增强了对于 Agent 的支持能力，除了继续增强 Coding 和工具使用能力之外，豆包 1.8 选择了一个更有想象力的场景——OS Agent。\n一个不仅能搜索、能写代码，还能「看见」世界并且进行交互的 Agent。\n不仅如此，随着模型同步发布的，还有一套基于现实世界任务的新的 Evaluation System，喊了一年的「AI 下半场」，或许这套评测集，是我们开启下半场的方式之一。\n超 17000 人的「AI 产品市集」社群！不错过每一款有价值的 AI 应用。\n- 最新、最值得关注的 AI 新品资讯； \n- 不定期赠送热门新品的邀请码、会员码； \n- 最精准的AI产品曝光渠道 \n01\n真正好用的基模：原生多模态+thinking\n今天模型的技术发展，已经不再局限于基于文本模型了，先是 R1 和 o1 带来的 thinking 能力，然后就是厂商一直在增强的模型的视觉能力，用「眼睛」看懂和理解世界的能力。\n如果 Agent 真的想成为人类现实世界复杂任务的助手，视觉能力是它们理解和执行这些复杂任务的有力保障。\n过去，给大模型增加视觉理解能力一般是通过外挂的方式，在文本模型的基础上，加上 VLM 的能力，甚至单独发布一个 VLM 的模型。比如 OpenAI 在 2023 年发布的 GPT-4V 模型，而 Gemini 系列，采用了更原生、更端到端的方案，原生就是一款具备多模态理解能力的模型。\n豆包模型也是这个思路，豆包 1.6 版本将 LLM 和 VLM 组合在一起，豆包 1.8 从一开始的预训练，就实现端到端的训练，不仅保留了文本的推理性能，还实现了视觉理解能力的显著提升，这才有了技术报告中的仅次于 Gemini 3 Pro 的能力表现。\n数据来自豆包 1.8 Model Card\n在这么短的时间内，实现对于 Gemini 系列的追赶和对标，某种角度上，也证明了基模公司之间，大家对于模型未来的发展是有共识的，无非是谁先能找到最高效的那条路而已。\n至于 thinking 能力，豆包模型从 1.6 版本就实现了原生支持4种思考长度，让开发者根据场景实现思考长度的自调节，兼容不同的任务，很明显，thinking 能力是现在基模的标配，而不是可选项。\n02\nAgent 有了视觉能力，\n解锁了更有想象力的新场景\nManus 开启了今年的 AI Agent 创业热潮，基模对于工具的调用能力成为创业者关注的重点，工具调用的可靠性问题成为了很多创业者在 Agent 场景的痛点。\n豆包 1.8 版本，和今年发布的其他几款模型尤其是国产模型 Kimi K2、MiniMax M2 一样，重点增强了 Agent 使用工具的能力。\n从技术报告中可以看出，豆包 1.8 在工具调用、智能体搜索、智能体编程和复杂指令遵循上都有了能力的大幅提升。\n官方演示的调用工具的案例\n从演示案例中可以明显看出，在 Agent 之外，豆包 1.8 核心的 agent 能力是 OS Agent，原生基座的视觉能力使它能够「看见」并直接与界面交互。\n电脑、网页、移动端三类环境中任务执行能力的评测，数据来自官方 Model Çard。\n能看到、能理解、能操作，带来了新的使用场景和想象力。\n比如常见的 GUI 操作类任务，app 调用、企业 RPA 流程的一些自动化任务，比如最近引起热议的豆包手机助手。\nOS Agent 可能带来了哪些新的可能性？\n- 没有 api 或者很难提供 api 接口的系统，比如维护多年的银行 ERP、公司的内网系统等等这些传统 Agent 基本无法搞定的场景，今天可以用 OS Agent 的方式去提效了。 \n- 对 api 调用限制极其严格或者需要改造 api 的系统，GUI Agent 可以直接模拟网页操作，绕过 api 限制，实现跨平台的数据搬运。 \n- 视频理解创作更容易了，OS Agent 可以「看」懂画布。图片修改、视频修改，Agent 是通过视觉识别这些元素并拖拽鼠标完成的，而不是修改底层代码。 \n- 借助模型的视觉能力和自带的 Video 工具，GUI Agent 可以进行实时的视频流理解 + 动作决策。操作 app、监控视频的实时解析、甚至代打游戏不再是个难题了。 \n我们可以再往前畅想一步，今天是 Agent 在理解为人类设计的软件，下一步，很多软件可能会面向 Agent 设计交互，不再需要开发复杂的前端界面给人类看，软件只需要暴露一个极简的、高密度的信息界面给 Agent 看即可。\n再下一步呢，Agent 可以根据当前的任务，实时生成一个临时的 UI 给人类确认，一个只需要简单交互就可以实现任务交付。\n欢迎来到 Generative UI 的时代！（但可能还需要一段时间）\n03\n基模的「厚度」决定了 Agent 的天花板\n对创业者来说，Seed 1.8 有一个重要的更新值得特别介绍下——思考模式下的工具调用，这个在 Claude Sonnet 4.5 和 DeepSeek-V3.2 中都已经推广使用的工具调用方式。核心是让模型在在保留推理状态的同时，进行多次工具调用。模型能够利用历史轮次的思考内容，最终给出更详尽准确的回答。对于长链路的 Agent 任务，保留推理状态能够显著提升最终的完成效果。\n豆包 1.8 思考模式下的工具调用。\nAgent 最终的能力如何，某种意义上来说，又回到基模本身的能力和厚度上。\nThinking 不再是单独的功能，而变成了基模的一个开关。\n视频理解工具已经被模型原生的多模态能力吞噬了，基础模型自己就能直接「看」完一个半小时视频并回答问题。工具塌缩成了模型的感觉器官。\nCoding 不再是一个垂直行业技能，而是它操作计算机、调用工具、处理文件的基础语言能力。当基模足够强，Coding 就从一个「应用」塌缩成了基模的标准能力。\n或者可以说，很多上层应用，Agent、Coding、垂直工具的能力，最终又塌缩回基模本身。\n开发者们需要做的，是搭建自己的 Context Engineering，利用模型的通用智能，去解决那些它因为缺乏数据和反馈而解决不了的「最后一公里」问题。\n04\n真正的 AI 下半场，\n模型能力取决于你的 Evaluation\n就如同姚顺雨所说，我们进入了一个「定义问题将比解决问题更重要，evaluation 比 training 更重要」的时代。\n年初的 DeepSeek R1，年中的 Claude 4.5、Kimi K2、MiniMax M2，年底的 GPT-5.2、Gemini 3 Pro 和豆包 1.8，每款模型发布后，基本都会刷榜各个评测集。\n但每款模型都能刷榜，也就意味着这些旧的评测集，存在的意义已经消失了。\n没人再关心 GSM8K 的分数是 95 还是 96，大家只关心模型能不能独立分析完一张 Excel 表，能不能完成一项现实世界里需要花费 2h 完成的任务。\n模型之间真正的能力对比，已经不是看公开榜单的做题能力了。\n如何定义新的 Evaluation，在豆包 1.8 的 Model Card 中，团队发布了他们的 Evaluation System，可以当做对这个问题的一种回答。\n评估系统遵循以下三个主要原则：\n1. 优先考虑用户体验 ：首先分析真实世界的用户需求。通过研究像 ChatGPT 这样的通用模型的实际使用案例分布（例如，查信息、文本编辑和辅导是前三大类别），豆包 1.8 的评估系统涵盖了关键的流行用例，从而更好地与 C 端用户需求对齐。\nOpenAI 发布的 ChatGPT 用户用例。\n2.","extraction":{"state":"ok","confidence":0.9,"error":null,"explanation":"High confidence: full text extraction produced 3851 characters.","diagnostics_url":"/api/diagnose?url=https%3A//www.geekpark.net/news/371246","quality_profile":{"profile_version":"extraction_quality.v2","bucket":"high","confidence":0.9,"failure_kind":"none","retryable":false,"retry_after_attempts":0,"reason":"High confidence: full text extraction produced 3851 characters.","operator_guidance":{"severity":"ok","recommended_action":"trust_full_text","next_step":"Use the extracted full text as the primary article source.","operator_label":"Ready","can_retry":false,"can_use_summary":false,"diagnostics_required":false},"content_depth":{"contract_version":"content_depth.v1","category":"full_text","label":"Full text","has_full_text":true,"has_summary":true,"content_length":3851,"summary_length":3377,"usable_text_length":3851,"source_field":"content"},"legacy_collapsed":false,"signals":{"extract_state":"ok","extract_error":null,"extract_retries":0,"content_length":3851,"summary_length":3377}}},"display_formats":["compact","card","full","digest_section","json"]},"daily_stack_record":{"title":"豆包大模型 1.8 发布，通用 Agent 模型成为了 AI 行业的新叙事 - geekpark.net","url":"https://www.geekpark.net/news/371246","summary":"基模的「厚度」最终决定了Agent的天花板。\n本文首发于 Founder Park 公众号 · 2025 年 12 月 19 日\n兜兜转转，2025 年的 AI 行业，以 DeepSeek R1 和 Manus 开局，最终又回到了基模本身的主线叙事。\n谁对 Agent 的支持能力更好、谁的 Coding 能力更强、谁能用好工具，谁才是今天开发者更愿意选择的模型。\n不再只看榜单分数，解决现实世界复杂任务的能力，成为了衡量模型的新标准。\n字节在昨天发布的豆包大模型 1.8，同样选择增强了对于 Agent 的支持能力，除了继续增强 Coding 和工具使用能力之外，豆包 1.8 选择了一个更有想象力的场景——OS Agent。\n一个不仅能搜索、能写代码，还能「看见」世界并且进行交互的 Agent。\n不仅如此，随着模型同步发布的，还有一套基于现实世界任务的新的 Evaluation System，喊了一年的「AI 下半场」，或许这套评测集，是我们开启下半场的方式之一。\n超 17000 人的「AI 产品市集」社群！不错过每一款有价值的 AI 应用。\n- 最新、最值得关注的 AI 新品资讯； \n- 不定期赠送热门新品的邀请码、会员码； \n- 最精准的AI产品曝光渠道 \n01\n真正好用的基模：原生多模态+thinking\n今天模型的技术发展，已经不再局限于基于文本模型了，先是 R1 和 o1 带来的 thinking 能力，然后就是厂商一直在增强的模型的视觉能力，用「眼睛」看懂和理解世界的能力。\n如果 Agent 真的想成为人类现实世界复杂任务的助手，视觉能力是它们理解和执行这些复杂任务的有力保障。\n过去，给大模型增加视觉理解能力一般是通过外挂的方式，在文本模型的基础上，加上 VLM 的能力，甚至单独发布一个 VLM 的模型。比如 OpenAI 在 2023 年发布的 GPT-4V 模型，而 Gemini 系列，采用了更原生、更端到端的方案，原生就是一款具备多模态理解能力的模型。\n豆包模型也是这个思路，豆包 1.6 版本将 LLM 和 VLM 组合在一起，豆包 1.8 从一开始的预训练，就实现端到端的训练，不仅保留了文本的推理性能，还实现了视觉理解能力的显著提升，这才有了技术报告中的仅次于 Gemini 3 Pro 的能力表现。\n数据来自豆包 1.8 Model Card\n在这么短的时间内，实现对于 Gemini 系列的追赶和对标，某种角度上，也证明了基模公司之间，大家对于模型未来的发展是有共识的，无非是谁先能找到最高效的那条路而已。\n至于 thinking 能力，豆包模型从 1.6 版本就实现了原生支持4种思考长度，让开发者根据场景实现思考长度的自调节，兼容不同的任务，很明显，thinking 能力是现在基模的标配，而不是可选项。\n02\nAgent 有了视觉能力，\n解锁了更有想象力的新场景\nManus 开启了今年的 AI Agent 创业热潮，基模对于工具的调用能力成为创业者关注的重点，工具调用的可靠性问题成为了很多创业者在 Agent 场景的痛点。\n豆包 1.8 版本，和今年发布的其他几款模型尤其是国产模型 Kimi K2、MiniMax M2 一样，重点增强了 Agent 使用工具的能力。\n从技术报告中可以看出，豆包 1.8 在工具调用、智能体搜索、智能体编程和复杂指令遵循上都有了能力的大幅提升。\n官方演示的调用工具的案例\n从演示案例中可以明显看出，在 Agent 之外，豆包 1.8 核心的 agent 能力是 OS Agent，原生基座的视觉能力使它能够「看见」并直接与界面交互。\n电脑、网页、移动端三类环境中任务执行能力的评测，数据来自官方 Model Çard。\n能看到、能理解、能操作，带来了新的使用场景和想象力。\n比如常见的 GUI 操作类任务，app 调用、企业 RPA 流程的一些自动化任务，比如最近引起热议的豆包手机助手。\nOS Agent 可能带来了哪些新的可能性？\n- 没有 api 或者很难提供 api 接口的系统，比如维护多年的银行 ERP、公司的内网系统等等这些传统 Agent 基本无法搞定的场景，今天可以用 OS Agent 的方式去提效了。 \n- 对 api 调用限制极其严格或者需要改造 api 的系统，GUI Agent 可以直接模拟网页操作，绕过 api 限制，实现跨平台的数据搬运。 \n- 视频理解创作更容易了，OS Agent 可以「看」懂画布。图片修改、视频修改，Agent 是通过视觉识别这些元素并拖拽鼠标完成的，而不是修改底层代码。 \n- 借助模型的视觉能力和自带的 Video 工具，GUI Agent 可以进行实时的视频流理解 + 动作决策。操作 app、监控视频的实时解析、甚至代打游戏不再是个难题了。 \n我们可以再往前畅想一步，今天是 Agent 在理解为人类设计的软件，下一步，很多软件可能会面向 Agent 设计交互，不再需要开发复杂的前端界面给人类看，软件只需要暴露一个极简的、高密度的信息界面给 Agent 看即可。\n再下一步呢，Agent 可以根据当前的任务，实时生成一个临时的 UI 给人类确认，一个只需要简单交互就可以实现任务交付。\n欢迎来到 Generative UI 的时代！（但可能还需要一段时间）\n03\n基模的「厚度」决定了 Agent 的天花板\n对创业者来说，Seed 1.8 有一个重要的更新值得特别介绍下——思考模式下的工具调用，这个在 Claude Sonnet 4.5 和 DeepSeek-V3.2 中都已经推广使用的工具调用方式。核心是让模型在在保留推理状态的同时，进行多次工具调用。模型能够利用历史轮次的思考内容，最终给出更详尽准确的回答。对于长链路的 Agent 任务，保留推理状态能够显著提升最终的完成效果。\n豆包 1.8 思考模式下的工具调用。\nAgent 最终的能力如何，某种意义上来说，又回到基模本身的能力和厚度上。\nThinking 不再是单独的功能，而变成了基模的一个开关。\n视频理解工具已经被模型原生的多模态能力吞噬了，基础模型自己就能直接「看」完一个半小时视频并回答问题。工具塌缩成了模型的感觉器官。\nCoding 不再是一个垂直行业技能，而是它操作计算机、调用工具、处理文件的基础语言能力。当基模足够强，Coding 就从一个「应用」塌缩成了基模的标准能力。\n或者可以说，很多上层应用，Agent、Coding、垂直工具的能力，最终又塌缩回基模本身。\n开发者们需要做的，是搭建自己的 Context Engineering，利用模型的通用智能，去解决那些它因为缺乏数据和反馈而解决不了的「最后一公里」问题。\n04\n真正的 AI 下半场，\n模型能力取决于你的 Evaluation\n就如同姚顺雨所说，我们进入了一个「定义问题将比解决问题更重要，evaluation 比 training 更重要」的时代。\n年初的 DeepSeek R1，年中的 Claude 4.5、Kimi K2、MiniMax M2，年底的 GPT-5.2、Gemini 3 Pro 和豆包 1.8，每款模型发布后，基本都会刷榜各个评测集。\n但每款模型都能刷榜，也就意味着这些旧的评测集，存在的意义已经消失了。\n没人再关心 GSM8K 的分数是 95 还是 96，大家只关心模型能不能独立分析完一张 Excel 表，能不能完成一项现实世界里需要花费 2h 完成的任务。\n模型之间真正的能力对比，已经不是看公开榜单的做题能力了。\n如何定义新的 Evaluation，在豆包 1.8 的 Model Card 中，团队发布了他们的 Evaluation System，可以当做对这个问题的一种回答。\n评估系统遵循以下三个主要原则：\n1. 优先考虑用户体验 ：首先分析真实世界的用户需求。通过研究像 ChatGPT 这样的通用模型的实际使用案例分布（例如，查信息、文本编辑和辅导是前三大类别），豆包 1.8 的评估系统涵盖了关键的流行用例，从而更好地与 C 端用户需求对齐。\nOpenAI 发布的 ChatGPT 用户用例。\n2.","source":"geekpark.net","date":"2026-09-28T12:49:21+00:00","content":"基模的「厚度」最终决定了Agent的天花板。\n本文首发于 Founder Park 公众号 · 2025 年 12 月 19 日\n兜兜转转，2025 年的 AI 行业，以 DeepSeek R1 和 Manus 开局，最终又回到了基模本身的主线叙事。\n谁对 Agent 的支持能力更好、谁的 Coding 能力更强、谁能用好工具，谁才是今天开发者更愿意选择的模型。\n不再只看榜单分数，解决现实世界复杂任务的能力，成为了衡量模型的新标准。\n字节在昨天发布的豆包大模型 1.8，同样选择增强了对于 Agent 的支持能力，除了继续增强 Coding 和工具使用能力之外，豆包 1.8 选择了一个更有想象力的场景——OS Agent。\n一个不仅能搜索、能写代码，还能「看见」世界并且进行交互的 Agent。\n不仅如此，随着模型同步发布的，还有一套基于现实世界任务的新的 Evaluation System，喊了一年的「AI 下半场」，或许这套评测集，是我们开启下半场的方式之一。\n超 17000 人的「AI 产品市集」社群！不错过每一款有价值的 AI 应用。\n- 最新、最值得关注的 AI 新品资讯； \n- 不定期赠送热门新品的邀请码、会员码； \n- 最精准的AI产品曝光渠道 \n01\n真正好用的基模：原生多模态+thinking\n今天模型的技术发展，已经不再局限于基于文本模型了，先是 R1 和 o1 带来的 thinking 能力，然后就是厂商一直在增强的模型的视觉能力，用「眼睛」看懂和理解世界的能力。\n如果 Agent 真的想成为人类现实世界复杂任务的助手，视觉能力是它们理解和执行这些复杂任务的有力保障。\n过去，给大模型增加视觉理解能力一般是通过外挂的方式，在文本模型的基础上，加上 VLM 的能力，甚至单独发布一个 VLM 的模型。比如 OpenAI 在 2023 年发布的 GPT-4V 模型，而 Gemini 系列，采用了更原生、更端到端的方案，原生就是一款具备多模态理解能力的模型。\n豆包模型也是这个思路，豆包 1.6 版本将 LLM 和 VLM 组合在一起，豆包 1.8 从一开始的预训练，就实现端到端的训练，不仅保留了文本的推理性能，还实现了视觉理解能力的显著提升，这才有了技术报告中的仅次于 Gemini 3 Pro 的能力表现。\n数据来自豆包 1.8 Model Card\n在这么短的时间内，实现对于 Gemini 系列的追赶和对标，某种角度上，也证明了基模公司之间，大家对于模型未来的发展是有共识的，无非是谁先能找到最高效的那条路而已。\n至于 thinking 能力，豆包模型从 1.6 版本就实现了原生支持4种思考长度，让开发者根据场景实现思考长度的自调节，兼容不同的任务，很明显，thinking 能力是现在基模的标配，而不是可选项。\n02\nAgent 有了视觉能力，\n解锁了更有想象力的新场景\nManus 开启了今年的 AI Agent 创业热潮，基模对于工具的调用能力成为创业者关注的重点，工具调用的可靠性问题成为了很多创业者在 Agent 场景的痛点。\n豆包 1.8 版本，和今年发布的其他几款模型尤其是国产模型 Kimi K2、MiniMax M2 一样，重点增强了 Agent 使用工具的能力。\n从技术报告中可以看出，豆包 1.8 在工具调用、智能体搜索、智能体编程和复杂指令遵循上都有了能力的大幅提升。\n官方演示的调用工具的案例\n从演示案例中可以明显看出，在 Agent 之外，豆包 1.8 核心的 agent 能力是 OS Agent，原生基座的视觉能力使它能够「看见」并直接与界面交互。\n电脑、网页、移动端三类环境中任务执行能力的评测，数据来自官方 Model Çard。\n能看到、能理解、能操作，带来了新的使用场景和想象力。\n比如常见的 GUI 操作类任务，app 调用、企业 RPA 流程的一些自动化任务，比如最近引起热议的豆包手机助手。\nOS Agent 可能带来了哪些新的可能性？\n- 没有 api 或者很难提供 api 接口的系统，比如维护多年的银行 ERP、公司的内网系统等等这些传统 Agent 基本无法搞定的场景，今天可以用 OS Agent 的方式去提效了。 \n- 对 api 调用限制极其严格或者需要改造 api 的系统，GUI Agent 可以直接模拟网页操作，绕过 api 限制，实现跨平台的数据搬运。 \n- 视频理解创作更容易了，OS Agent 可以「看」懂画布。图片修改、视频修改，Agent 是通过视觉识别这些元素并拖拽鼠标完成的，而不是修改底层代码。 \n- 借助模型的视觉能力和自带的 Video 工具，GUI Agent 可以进行实时的视频流理解 + 动作决策。操作 app、监控视频的实时解析、甚至代打游戏不再是个难题了。 \n我们可以再往前畅想一步，今天是 Agent 在理解为人类设计的软件，下一步，很多软件可能会面向 Agent 设计交互，不再需要开发复杂的前端界面给人类看，软件只需要暴露一个极简的、高密度的信息界面给 Agent 看即可。\n再下一步呢，Agent 可以根据当前的任务，实时生成一个临时的 UI 给人类确认，一个只需要简单交互就可以实现任务交付。\n欢迎来到 Generative UI 的时代！（但可能还需要一段时间）\n03\n基模的「厚度」决定了 Agent 的天花板\n对创业者来说，Seed 1.8 有一个重要的更新值得特别介绍下——思考模式下的工具调用，这个在 Claude Sonnet 4.5 和 DeepSeek-V3.2 中都已经推广使用的工具调用方式。核心是让模型在在保留推理状态的同时，进行多次工具调用。模型能够利用历史轮次的思考内容，最终给出更详尽准确的回答。对于长链路的 Agent 任务，保留推理状态能够显著提升最终的完成效果。\n豆包 1.8 思考模式下的工具调用。\nAgent 最终的能力如何，某种意义上来说，又回到基模本身的能力和厚度上。\nThinking 不再是单独的功能，而变成了基模的一个开关。\n视频理解工具已经被模型原生的多模态能力吞噬了，基础模型自己就能直接「看」完一个半小时视频并回答问题。工具塌缩成了模型的感觉器官。\nCoding 不再是一个垂直行业技能，而是它操作计算机、调用工具、处理文件的基础语言能力。当基模足够强，Coding 就从一个「应用」塌缩成了基模的标准能力。\n或者可以说，很多上层应用，Agent、Coding、垂直工具的能力，最终又塌缩回基模本身。\n开发者们需要做的，是搭建自己的 Context Engineering，利用模型的通用智能，去解决那些它因为缺乏数据和反馈而解决不了的「最后一公里」问题。\n04\n真正的 AI 下半场，\n模型能力取决于你的 Evaluation\n就如同姚顺雨所说，我们进入了一个「定义问题将比解决问题更重要，evaluation 比 training 更重要」的时代。\n年初的 DeepSeek R1，年中的 Claude 4.5、Kimi K2、MiniMax M2，年底的 GPT-5.2、Gemini 3 Pro 和豆包 1.8，每款模型发布后，基本都会刷榜各个评测集。\n但每款模型都能刷榜，也就意味着这些旧的评测集，存在的意义已经消失了。\n没人再关心 GSM8K 的分数是 95 还是 96，大家只关心模型能不能独立分析完一张 Excel 表，能不能完成一项现实世界里需要花费 2h 完成的任务。\n模型之间真正的能力对比，已经不是看公开榜单的做题能力了。\n如何定义新的 Evaluation，在豆包 1.8 的 Model Card 中，团队发布了他们的 Evaluation System，可以当做对这个问题的一种回答。\n评估系统遵循以下三个主要原则：\n1. 优先考虑用户体验 ：首先分析真实世界的用户需求。通过研究像 ChatGPT 这样的通用模型的实际使用案例分布（例如，查信息、文本编辑和辅导是前三大类别），豆包 1.8 的评估系统涵盖了关键的流行用例，从而更好地与 C 端用户需求对齐。\nOpenAI 发布的 ChatGPT 用户用例。\n2. 转向真实世界场景：从合成的、孤立的任务转向现实的、面向应用的场景。因为标准基准上的高分并不总是能转化为实际价值，因此，评估设计了具有高经济价值的任务，这些任务模仿了现实世界的复杂性。\n3. 推动智能前沿：在优先考虑实际可用性的同时，评估系统仍然致力于推进通用智能。系统通过设计涵盖高级推理、数学和编码的新基准，来衡量模型的峰值性能，确保核心智能不会因为侧重可用性而被削弱。\n在和豆包模型技术人员的交流中，他们分享了一个大众以为很容易，实际上很难的场景——客服场景，就是一个很典型的从真实世界场景出发的评测任务。\n客服是一个难度被低估的场景，数据分析反而比客服简单。因为像 Coding、数据分析这类任务，天然存在大量公开数据，而且比较好验证。而客服，需要获得大量的 SOP 很难，任务里涉及很多因素不好验证，中间还有幻觉，准确性要求又极高，很难做成一个 Copilot。\n但如果做好了，反过来，模型能力的提升，又解锁了客服场景的新体验。比如因为 AI 的高情商，在承担客服的过程中，甚至还当上了销售，用户本来是要修手机，最后却购买了一台新的手机。","confidence":0.9,"diagnostics_url":"/api/diagnose?url=https%3A//www.geekpark.net/news/371246","quality_bucket":"high","failure_kind":"none","retryable":false,"quality_reason":"High confidence: full text extraction produced 3851 characters.","quality_profile":{"profile_version":"extraction_quality.v2","bucket":"high","confidence":0.9,"failure_kind":"none","retryable":false,"retry_after_attempts":0,"reason":"High confidence: full text extraction produced 3851 characters.","operator_guidance":{"severity":"ok","recommended_action":"trust_full_text","next_step":"Use the extracted full text as the primary article source.","operator_label":"Ready","can_retry":false,"can_use_summary":false,"diagnostics_required":false},"content_depth":{"contract_version":"content_depth.v1","category":"full_text","label":"Full text","has_full_text":true,"has_summary":true,"content_length":3851,"summary_length":3377,"usable_text_length":3851,"source_field":"content"},"legacy_collapsed":false,"signals":{"extract_state":"ok","extract_error":null,"extract_retries":0,"content_length":3851,"summary_length":3377}},"tags":[]},"fallback_formats":["markdown","json","html"],"actions":{"read":"/item/91947","export_markdown":"/api/items/91947/export?format=markdown","export_json":"/api/items/91947/export?format=json","diagnose":"/api/diagnose?url=https%3A//www.geekpark.net/news/371246"},"formats":{"full":{"id":91947,"title":"豆包大模型 1.8 发布，通用 Agent 模型成为了 AI 行业的新叙事 - geekpark.net","url":"https://www.geekpark.net/news/371246","source":"geekpark.net","author":null,"published_at":"2026-09-28T12:49:21+00:00","locale":"zh","topic":"ai","tags":[],"excerpt":"基模的「厚度」最终决定了Agent的天花板。\n本文首发于 Founder Park 公众号 · 2025 年 12 月 19 日\n兜兜转转，2025 年的 AI 行业，以 DeepSeek R1 和 Manus 开局，最终又回到了基模本身的主线叙事。\n谁对 Agent 的支持能力更好、谁的 Coding 能力更强、谁能用好工具，谁才是今天开发者更愿意选择的模型。\n不再只看榜单分数，解决现实世界复杂任务的能力，成为了衡量模型的新标准。\n字节在昨天发布的豆包大模型 1.8，同样选择增强了对于 Agent 的支持能力，除了继续增强 Coding 和工具使用能力之外，豆包 1.8 选择了一个更有想象力的场景——OS Agent。\n一个不仅能搜索、能写代码，还能「看见」世界并且进行交互的 Agent。\n不仅如此，随着模型同步发布的，还有一套基于现实世界任务的新的 Evaluation System，喊了一年的「AI 下半场」，或许这套评测集，是我们开启下半场的方式之一。\n超 17000 人的「AI 产品市集」社群！不错过每一款有价值的 AI 应用。\n- 最新、最值得关注的 AI 新品资讯； \n- 不定期赠送热门新品的邀请码、会员码； \n- 最精准的AI产品曝光渠道 \n01\n真正好用的基模：原生多模态+thinking\n今天模型的技术发展，已经不再局限于基于文本模型了，先是 R1 和 o1 带来的 thinking 能力，然后就是厂商一直在增强的模型的视觉能力，用「眼睛」看懂和理解世界的能力。\n如果 Agent 真的想成为人类现实世界复杂任务的助手，视觉能力是它们理解和执行这些复杂任务的有力保障。\n过去，给大模型增加视觉理解能力一般是通过外挂的方式，在文本模型的基础上，加上 VLM 的能力，甚至单独发布一个 VLM 的模型。比如 OpenAI 在 2023 年发布的 GPT-4V 模型，而 Gemini 系列，采用了更原生、更端到端的方案，原生就是一款具备多模态理解能力的模型。\n豆包模型也是这个思路，豆包 1.6 版本将 LLM 和 VLM 组合在一起，豆包 1.8 从一开始的预训练，就实现端到端的训练，不仅保留了文本的推理性能，还实现了视觉理解能力的显著提升，这才有了技术报告中的仅次于 Gemini 3 Pro 的能力表现。\n数据来自豆包 1.8 Model Card\n在这么短的时间内，实现对于 Gemini 系列的追赶和对标，某种角度上，也证明了基模公司之间，大家对于模型未来的发展是有共识的，无非是谁先能找到最高效的那条路而已。\n至于 thinking 能力，豆包模型从 1.6 版本就实现了原生支持4种思考长度，让开发者根据场景实现思考长度的自调节，兼容不同的任务，很明显，thinking 能力是现在基模的标配，而不是可选项。\n02\nAgent 有了视觉能力，\n解锁了更有想象力的新场景\nManus 开启了今年的 AI Agent 创业热潮，基模对于工具的调用能力成为创业者关注的重点，工具调用的可靠性问题成为了很多创业者在 Agent 场景的痛点。\n豆包 1.8 版本，和今年发布的其他几款模型尤其是国产模型 Kimi K2、MiniMax M2 一样，重点增强了 Agent 使用工具的能力。\n从技术报告中可以看出，豆包 1.8 在工具调用、智能体搜索、智能体编程和复杂指令遵循上都有了能力的大幅提升。\n官方演示的调用工具的案例\n从演示案例中可以明显看出，在 Agent 之外，豆包 1.8 核心的 agent 能力是 OS Agent，原生基座的视觉能力使它能够「看见」并直接与界面交互。\n电脑、网页、移动端三类环境中任务执行能力的评测，数据来自官方 Model Çard。\n能看到、能理解、能操作，带来了新的使用场景和想象力。\n比如常见的 GUI 操作类任务，app 调用、企业 RPA 流程的一些自动化任务，比如最近引起热议的豆包手机助手。\nOS Agent 可能带来了哪些新的可能性？\n- 没有 api 或者很难提供 api 接口的系统，比如维护多年的银行 ERP、公司的内网系统等等这些传统 Agent 基本无法搞定的场景，今天可以用 OS Agent 的方式去提效了。 \n- 对 api 调用限制极其严格或者需要改造 api 的系统，GUI Agent 可以直接模拟网页操作，绕过 api 限制，实现跨平台的数据搬运。 \n- 视频理解创作更容易了，OS Agent 可以「看」懂画布。图片修改、视频修改，Agent 是通过视觉识别这些元素并拖拽鼠标完成的，而不是修改底层代码。 \n- 借助模型的视觉能力和自带的 Video 工具，GUI Agent 可以进行实时的视频流理解 + 动作决策。操作 app、监控视频的实时解析、甚至代打游戏不再是个难题了。 \n我们可以再往前畅想一步，今天是 Agent 在理解为人类设计的软件，下一步，很多软件可能会面向 Agent 设计交互，不再需要开发复杂的前端界面给人类看，软件只需要暴露一个极简的、高密度的信息界面给 Agent 看即可。\n再下一步呢，Agent 可以根据当前的任务，实时生成一个临时的 UI 给人类确认，一个只需要简单交互就可以实现任务交付。\n欢迎来到 Generative UI 的时代！（但可能还需要一段时间）\n03\n基模的「厚度」决定了 Agent 的天花板\n对创业者来说，Seed 1.8 有一个重要的更新值得特别介绍下——思考模式下的工具调用，这个在 Claude Sonnet 4.5 和 DeepSeek-V3.2 中都已经推广使用的工具调用方式。核心是让模型在在保留推理状态的同时，进行多次工具调用。模型能够利用历史轮次的思考内容，最终给出更详尽准确的回答。对于长链路的 Agent 任务，保留推理状态能够显著提升最终的完成效果。\n豆包 1.8 思考模式下的工具调用。\nAgent 最终的能力如何，某种意义上来说，又回到基模本身的能力和厚度上。\nThinking 不再是单独的功能，而变成了基模的一个开关。\n视频理解工具已经被模型原生的多模态能力吞噬了，基础模型自己就能直接「看」完一个半小时视频并回答问题。工具塌缩成了模型的感觉器官。\nCoding 不再是一个垂直行业技能，而是它操作计算机、调用工具、处理文件的基础语言能力。当基模足够强，Coding 就从一个「应用」塌缩成了基模的标准能力。\n或者可以说，很多上层应用，Agent、Coding、垂直工具的能力，最终又塌缩回基模本身。\n开发者们需要做的，是搭建自己的 Context Engineering，利用模型的通用智能，去解决那些它因为缺乏数据和反馈而解决不了的「最后一公里」问题。\n04\n真正的 AI 下半场，\n模型能力取决于你的 Evaluation\n就如同姚顺雨所说，我们进入了一个「定义问题将比解决问题更重要，evaluation 比 training 更重要」的时代。\n年初的 DeepSeek R1，年中的 Claude 4.5、Kimi K2、MiniMax M2，年底的 GPT-5.2、Gemini 3 Pro 和豆包 1.8，每款模型发布后，基本都会刷榜各个评测集。\n但每款模型都能刷榜，也就意味着这些旧的评测集，存在的意义已经消失了。\n没人再关心 GSM8K 的分数是 95 还是 96，大家只关心模型能不能独立分析完一张 Excel 表，能不能完成一项现实世界里需要花费 2h 完成的任务。\n模型之间真正的能力对比，已经不是看公开榜单的做题能力了。\n如何定义新的 Evaluation，在豆包 1.8 的 Model Card 中，团队发布了他们的 Evaluation System，可以当做对这个问题的一种回答。\n评估系统遵循以下三个主要原则：\n1. 优先考虑用户体验 ：首先分析真实世界的用户需求。通过研究像 ChatGPT 这样的通用模型的实际使用案例分布（例如，查信息、文本编辑和辅导是前三大类别），豆包 1.8 的评估系统涵盖了关键的流行用例，从而更好地与 C 端用户需求对齐。\nOpenAI 发布的 ChatGPT 用户用例。\n2.","full_text":"基模的「厚度」最终决定了Agent的天花板。\n本文首发于 Founder Park 公众号 · 2025 年 12 月 19 日\n兜兜转转，2025 年的 AI 行业，以 DeepSeek R1 和 Manus 开局，最终又回到了基模本身的主线叙事。\n谁对 Agent 的支持能力更好、谁的 Coding 能力更强、谁能用好工具，谁才是今天开发者更愿意选择的模型。\n不再只看榜单分数，解决现实世界复杂任务的能力，成为了衡量模型的新标准。\n字节在昨天发布的豆包大模型 1.8，同样选择增强了对于 Agent 的支持能力，除了继续增强 Coding 和工具使用能力之外，豆包 1.8 选择了一个更有想象力的场景——OS Agent。\n一个不仅能搜索、能写代码，还能「看见」世界并且进行交互的 Agent。\n不仅如此，随着模型同步发布的，还有一套基于现实世界任务的新的 Evaluation System，喊了一年的「AI 下半场」，或许这套评测集，是我们开启下半场的方式之一。\n超 17000 人的「AI 产品市集」社群！不错过每一款有价值的 AI 应用。\n- 最新、最值得关注的 AI 新品资讯； \n- 不定期赠送热门新品的邀请码、会员码； \n- 最精准的AI产品曝光渠道 \n01\n真正好用的基模：原生多模态+thinking\n今天模型的技术发展，已经不再局限于基于文本模型了，先是 R1 和 o1 带来的 thinking 能力，然后就是厂商一直在增强的模型的视觉能力，用「眼睛」看懂和理解世界的能力。\n如果 Agent 真的想成为人类现实世界复杂任务的助手，视觉能力是它们理解和执行这些复杂任务的有力保障。\n过去，给大模型增加视觉理解能力一般是通过外挂的方式，在文本模型的基础上，加上 VLM 的能力，甚至单独发布一个 VLM 的模型。比如 OpenAI 在 2023 年发布的 GPT-4V 模型，而 Gemini 系列，采用了更原生、更端到端的方案，原生就是一款具备多模态理解能力的模型。\n豆包模型也是这个思路，豆包 1.6 版本将 LLM 和 VLM 组合在一起，豆包 1.8 从一开始的预训练，就实现端到端的训练，不仅保留了文本的推理性能，还实现了视觉理解能力的显著提升，这才有了技术报告中的仅次于 Gemini 3 Pro 的能力表现。\n数据来自豆包 1.8 Model Card\n在这么短的时间内，实现对于 Gemini 系列的追赶和对标，某种角度上，也证明了基模公司之间，大家对于模型未来的发展是有共识的，无非是谁先能找到最高效的那条路而已。\n至于 thinking 能力，豆包模型从 1.6 版本就实现了原生支持4种思考长度，让开发者根据场景实现思考长度的自调节，兼容不同的任务，很明显，thinking 能力是现在基模的标配，而不是可选项。\n02\nAgent 有了视觉能力，\n解锁了更有想象力的新场景\nManus 开启了今年的 AI Agent 创业热潮，基模对于工具的调用能力成为创业者关注的重点，工具调用的可靠性问题成为了很多创业者在 Agent 场景的痛点。\n豆包 1.8 版本，和今年发布的其他几款模型尤其是国产模型 Kimi K2、MiniMax M2 一样，重点增强了 Agent 使用工具的能力。\n从技术报告中可以看出，豆包 1.8 在工具调用、智能体搜索、智能体编程和复杂指令遵循上都有了能力的大幅提升。\n官方演示的调用工具的案例\n从演示案例中可以明显看出，在 Agent 之外，豆包 1.8 核心的 agent 能力是 OS Agent，原生基座的视觉能力使它能够「看见」并直接与界面交互。\n电脑、网页、移动端三类环境中任务执行能力的评测，数据来自官方 Model Çard。\n能看到、能理解、能操作，带来了新的使用场景和想象力。\n比如常见的 GUI 操作类任务，app 调用、企业 RPA 流程的一些自动化任务，比如最近引起热议的豆包手机助手。\nOS Agent 可能带来了哪些新的可能性？\n- 没有 api 或者很难提供 api 接口的系统，比如维护多年的银行 ERP、公司的内网系统等等这些传统 Agent 基本无法搞定的场景，今天可以用 OS Agent 的方式去提效了。 \n- 对 api 调用限制极其严格或者需要改造 api 的系统，GUI Agent 可以直接模拟网页操作，绕过 api 限制，实现跨平台的数据搬运。 \n- 视频理解创作更容易了，OS Agent 可以「看」懂画布。图片修改、视频修改，Agent 是通过视觉识别这些元素并拖拽鼠标完成的，而不是修改底层代码。 \n- 借助模型的视觉能力和自带的 Video 工具，GUI Agent 可以进行实时的视频流理解 + 动作决策。操作 app、监控视频的实时解析、甚至代打游戏不再是个难题了。 \n我们可以再往前畅想一步，今天是 Agent 在理解为人类设计的软件，下一步，很多软件可能会面向 Agent 设计交互，不再需要开发复杂的前端界面给人类看，软件只需要暴露一个极简的、高密度的信息界面给 Agent 看即可。\n再下一步呢，Agent 可以根据当前的任务，实时生成一个临时的 UI 给人类确认，一个只需要简单交互就可以实现任务交付。\n欢迎来到 Generative UI 的时代！（但可能还需要一段时间）\n03\n基模的「厚度」决定了 Agent 的天花板\n对创业者来说，Seed 1.8 有一个重要的更新值得特别介绍下——思考模式下的工具调用，这个在 Claude Sonnet 4.5 和 DeepSeek-V3.2 中都已经推广使用的工具调用方式。核心是让模型在在保留推理状态的同时，进行多次工具调用。模型能够利用历史轮次的思考内容，最终给出更详尽准确的回答。对于长链路的 Agent 任务，保留推理状态能够显著提升最终的完成效果。\n豆包 1.8 思考模式下的工具调用。\nAgent 最终的能力如何，某种意义上来说，又回到基模本身的能力和厚度上。\nThinking 不再是单独的功能，而变成了基模的一个开关。\n视频理解工具已经被模型原生的多模态能力吞噬了，基础模型自己就能直接「看」完一个半小时视频并回答问题。工具塌缩成了模型的感觉器官。\nCoding 不再是一个垂直行业技能，而是它操作计算机、调用工具、处理文件的基础语言能力。当基模足够强，Coding 就从一个「应用」塌缩成了基模的标准能力。\n或者可以说，很多上层应用，Agent、Coding、垂直工具的能力，最终又塌缩回基模本身。\n开发者们需要做的，是搭建自己的 Context Engineering，利用模型的通用智能，去解决那些它因为缺乏数据和反馈而解决不了的「最后一公里」问题。\n04\n真正的 AI 下半场，\n模型能力取决于你的 Evaluation\n就如同姚顺雨所说，我们进入了一个「定义问题将比解决问题更重要，evaluation 比 training 更重要」的时代。\n年初的 DeepSeek R1，年中的 Claude 4.5、Kimi K2、MiniMax M2，年底的 GPT-5.2、Gemini 3 Pro 和豆包 1.8，每款模型发布后，基本都会刷榜各个评测集。\n但每款模型都能刷榜，也就意味着这些旧的评测集，存在的意义已经消失了。\n没人再关心 GSM8K 的分数是 95 还是 96，大家只关心模型能不能独立分析完一张 Excel 表，能不能完成一项现实世界里需要花费 2h 完成的任务。\n模型之间真正的能力对比，已经不是看公开榜单的做题能力了。\n如何定义新的 Evaluation，在豆包 1.8 的 Model Card 中，团队发布了他们的 Evaluation System，可以当做对这个问题的一种回答。\n评估系统遵循以下三个主要原则：\n1. 优先考虑用户体验 ：首先分析真实世界的用户需求。通过研究像 ChatGPT 这样的通用模型的实际使用案例分布（例如，查信息、文本编辑和辅导是前三大类别），豆包 1.8 的评估系统涵盖了关键的流行用例，从而更好地与 C 端用户需求对齐。\nOpenAI 发布的 ChatGPT 用户用例。\n2. 转向真实世界场景：从合成的、孤立的任务转向现实的、面向应用的场景。因为标准基准上的高分并不总是能转化为实际价值，因此，评估设计了具有高经济价值的任务，这些任务模仿了现实世界的复杂性。\n3. 推动智能前沿：在优先考虑实际可用性的同时，评估系统仍然致力于推进通用智能。系统通过设计涵盖高级推理、数学和编码的新基准，来衡量模型的峰值性能，确保核心智能不会因为侧重可用性而被削弱。\n在和豆包模型技术人员的交流中，他们分享了一个大众以为很容易，实际上很难的场景——客服场景，就是一个很典型的从真实世界场景出发的评测任务。\n客服是一个难度被低估的场景，数据分析反而比客服简单。因为像 Coding、数据分析这类任务，天然存在大量公开数据，而且比较好验证。而客服，需要获得大量的 SOP 很难，任务里涉及很多因素不好验证，中间还有幻觉，准确性要求又极高，很难做成一个 Copilot。\n但如果做好了，反过来，模型能力的提升，又解锁了客服场景的新体验。比如因为 AI 的高情商，在承担客服的过程中，甚至还当上了销售，用户本来是要修手机，最后却购买了一台新的手机。","reading_time_min":2,"extraction":{"state":"ok","confidence":0.9,"error":null,"explanation":"High confidence: full text extraction produced 3851 characters.","diagnostics_url":"/api/diagnose?url=https%3A//www.geekpark.net/news/371246","quality_profile":{"profile_version":"extraction_quality.v2","bucket":"high","confidence":0.9,"failure_kind":"none","retryable":false,"retry_after_attempts":0,"reason":"High confidence: full text extraction produced 3851 characters.","operator_guidance":{"severity":"ok","recommended_action":"trust_full_text","next_step":"Use the extracted full text as the primary article source.","operator_label":"Ready","can_retry":false,"can_use_summary":false,"diagnostics_required":false},"content_depth":{"contract_version":"content_depth.v1","category":"full_text","label":"Full text","has_full_text":true,"has_summary":true,"content_length":3851,"summary_length":3377,"usable_text_length":3851,"source_field":"content"},"legacy_collapsed":false,"signals":{"extract_state":"ok","extract_error":null,"extract_retries":0,"content_length":3851,"summary_length":3377}}},"quality_profile":{"profile_version":"extraction_quality.v2","bucket":"high","confidence":0.9,"failure_kind":"none","retryable":false,"retry_after_attempts":0,"reason":"High confidence: full text extraction produced 3851 characters.","operator_guidance":{"severity":"ok","recommended_action":"trust_full_text","next_step":"Use the extracted full text as the primary article source.","operator_label":"Ready","can_retry":false,"can_use_summary":false,"diagnostics_required":false},"content_depth":{"contract_version":"content_depth.v1","category":"full_text","label":"Full text","has_full_text":true,"has_summary":true,"content_length":3851,"summary_length":3377,"usable_text_length":3851,"source_field":"content"},"legacy_collapsed":false,"signals":{"extract_state":"ok","extract_error":null,"extract_retries":0,"content_length":3851,"summary_length":3377}},"actions":{"read":"/item/91947","export_markdown":"/api/items/91947/export?format=markdown","export_json":"/api/items/91947/export?format=json","diagnose":"/api/diagnose?url=https%3A//www.geekpark.net/news/371246"}},"digest":{"id":91947,"title":"豆包大模型 1.8 发布，通用 Agent 模型成为了 AI 行业的新叙事 - geekpark.net","url":"https://www.geekpark.net/news/371246","source":"geekpark.net","topic":"ai","published_at":"2026-09-28T12:49:21+00:00","excerpt":"基模的「厚度」最终决定了Agent的天花板。 本文首发于 Founder Park 公众号 · 2025 年 12 月 19 日 兜兜转转，2025 年的 AI 行业，以 DeepSeek R1 和 Manus 开局，最终又回到了基模本身的主线叙事。 谁对 Agent 的支持能力更好、谁的 Coding 能力更强、谁能用好工具，谁才是今天开发者更愿意选择的模型。 不再只看榜单分数，解决现实世界复杂任务的能力，成为了衡量模型的新标准。 字节在昨天发布的豆包大模型 1.8，同样选择增强了对于 Agent 的支持能力，除了继续增强 Coding…","quality_bucket":"high","quality_reason":"High confidence: full text extraction produced 3851 characters.","reading_time_min":2,"cluster_id":null},"card":{"display_title":"豆包大模型 1.8 发布，通用 Agent 模型成为了 AI 行业的新叙事 - geekpark.net","subtitle":"geekpark.net · 2026-09-28","summary":"基模的「厚度」最终决定了Agent的天花板。 本文首发于 Founder Park 公众号 · 2025 年 12 月 19 日 兜兜转转，2025 年的 AI 行业，以 DeepSeek R1 和 Manus 开局，最终又回到了基模本身的主线叙事。 谁对 Agent 的支持能力更好、谁的 Coding 能力更强、谁能用好工具，谁才是今天开发者更愿意选择的模型。 不再只看榜单分数，解决现实世界复杂任务的能力，成为了衡量模型的新标准。…","badges":["quality:high"],"links":{"read":"/item/91947","original":"https://www.geekpark.net/news/371246","diagnose":"/api/diagnose?url=https%3A//www.geekpark.net/news/371246"},"quality_warning":null},"export":{"title":"豆包大模型 1.8 发布，通用 Agent 模型成为了 AI 行业的新叙事 - geekpark.net","url":"https://www.geekpark.net/news/371246","summary":"基模的「厚度」最终决定了Agent的天花板。\n本文首发于 Founder Park 公众号 · 2025 年 12 月 19 日\n兜兜转转，2025 年的 AI 行业，以 DeepSeek R1 和 Manus 开局，最终又回到了基模本身的主线叙事。\n谁对 Agent 的支持能力更好、谁的 Coding 能力更强、谁能用好工具，谁才是今天开发者更愿意选择的模型。\n不再只看榜单分数，解决现实世界复杂任务的能力，成为了衡量模型的新标准。\n字节在昨天发布的豆包大模型 1.8，同样选择增强了对于 Agent 的支持能力，除了继续增强 Coding 和工具使用能力之外，豆包 1.8 选择了一个更有想象力的场景——OS Agent。\n一个不仅能搜索、能写代码，还能「看见」世界并且进行交互的 Agent。\n不仅如此，随着模型同步发布的，还有一套基于现实世界任务的新的 Evaluation System，喊了一年的「AI 下半场」，或许这套评测集，是我们开启下半场的方式之一。\n超 17000 人的「AI 产品市集」社群！不错过每一款有价值的 AI 应用。\n- 最新、最值得关注的 AI 新品资讯； \n- 不定期赠送热门新品的邀请码、会员码； \n- 最精准的AI产品曝光渠道 \n01\n真正好用的基模：原生多模态+thinking\n今天模型的技术发展，已经不再局限于基于文本模型了，先是 R1 和 o1 带来的 thinking 能力，然后就是厂商一直在增强的模型的视觉能力，用「眼睛」看懂和理解世界的能力。\n如果 Agent 真的想成为人类现实世界复杂任务的助手，视觉能力是它们理解和执行这些复杂任务的有力保障。\n过去，给大模型增加视觉理解能力一般是通过外挂的方式，在文本模型的基础上，加上 VLM 的能力，甚至单独发布一个 VLM 的模型。比如 OpenAI 在 2023 年发布的 GPT-4V 模型，而 Gemini 系列，采用了更原生、更端到端的方案，原生就是一款具备多模态理解能力的模型。\n豆包模型也是这个思路，豆包 1.6 版本将 LLM 和 VLM 组合在一起，豆包 1.8 从一开始的预训练，就实现端到端的训练，不仅保留了文本的推理性能，还实现了视觉理解能力的显著提升，这才有了技术报告中的仅次于 Gemini 3 Pro 的能力表现。\n数据来自豆包 1.8 Model Card\n在这么短的时间内，实现对于 Gemini 系列的追赶和对标，某种角度上，也证明了基模公司之间，大家对于模型未来的发展是有共识的，无非是谁先能找到最高效的那条路而已。\n至于 thinking 能力，豆包模型从 1.6 版本就实现了原生支持4种思考长度，让开发者根据场景实现思考长度的自调节，兼容不同的任务，很明显，thinking 能力是现在基模的标配，而不是可选项。\n02\nAgent 有了视觉能力，\n解锁了更有想象力的新场景\nManus 开启了今年的 AI Agent 创业热潮，基模对于工具的调用能力成为创业者关注的重点，工具调用的可靠性问题成为了很多创业者在 Agent 场景的痛点。\n豆包 1.8 版本，和今年发布的其他几款模型尤其是国产模型 Kimi K2、MiniMax M2 一样，重点增强了 Agent 使用工具的能力。\n从技术报告中可以看出，豆包 1.8 在工具调用、智能体搜索、智能体编程和复杂指令遵循上都有了能力的大幅提升。\n官方演示的调用工具的案例\n从演示案例中可以明显看出，在 Agent 之外，豆包 1.8 核心的 agent 能力是 OS Agent，原生基座的视觉能力使它能够「看见」并直接与界面交互。\n电脑、网页、移动端三类环境中任务执行能力的评测，数据来自官方 Model Çard。\n能看到、能理解、能操作，带来了新的使用场景和想象力。\n比如常见的 GUI 操作类任务，app 调用、企业 RPA 流程的一些自动化任务，比如最近引起热议的豆包手机助手。\nOS Agent 可能带来了哪些新的可能性？\n- 没有 api 或者很难提供 api 接口的系统，比如维护多年的银行 ERP、公司的内网系统等等这些传统 Agent 基本无法搞定的场景，今天可以用 OS Agent 的方式去提效了。 \n- 对 api 调用限制极其严格或者需要改造 api 的系统，GUI Agent 可以直接模拟网页操作，绕过 api 限制，实现跨平台的数据搬运。 \n- 视频理解创作更容易了，OS Agent 可以「看」懂画布。图片修改、视频修改，Agent 是通过视觉识别这些元素并拖拽鼠标完成的，而不是修改底层代码。 \n- 借助模型的视觉能力和自带的 Video 工具，GUI Agent 可以进行实时的视频流理解 + 动作决策。操作 app、监控视频的实时解析、甚至代打游戏不再是个难题了。 \n我们可以再往前畅想一步，今天是 Agent 在理解为人类设计的软件，下一步，很多软件可能会面向 Agent 设计交互，不再需要开发复杂的前端界面给人类看，软件只需要暴露一个极简的、高密度的信息界面给 Agent 看即可。\n再下一步呢，Agent 可以根据当前的任务，实时生成一个临时的 UI 给人类确认，一个只需要简单交互就可以实现任务交付。\n欢迎来到 Generative UI 的时代！（但可能还需要一段时间）\n03\n基模的「厚度」决定了 Agent 的天花板\n对创业者来说，Seed 1.8 有一个重要的更新值得特别介绍下——思考模式下的工具调用，这个在 Claude Sonnet 4.5 和 DeepSeek-V3.2 中都已经推广使用的工具调用方式。核心是让模型在在保留推理状态的同时，进行多次工具调用。模型能够利用历史轮次的思考内容，最终给出更详尽准确的回答。对于长链路的 Agent 任务，保留推理状态能够显著提升最终的完成效果。\n豆包 1.8 思考模式下的工具调用。\nAgent 最终的能力如何，某种意义上来说，又回到基模本身的能力和厚度上。\nThinking 不再是单独的功能，而变成了基模的一个开关。\n视频理解工具已经被模型原生的多模态能力吞噬了，基础模型自己就能直接「看」完一个半小时视频并回答问题。工具塌缩成了模型的感觉器官。\nCoding 不再是一个垂直行业技能，而是它操作计算机、调用工具、处理文件的基础语言能力。当基模足够强，Coding 就从一个「应用」塌缩成了基模的标准能力。\n或者可以说，很多上层应用，Agent、Coding、垂直工具的能力，最终又塌缩回基模本身。\n开发者们需要做的，是搭建自己的 Context Engineering，利用模型的通用智能，去解决那些它因为缺乏数据和反馈而解决不了的「最后一公里」问题。\n04\n真正的 AI 下半场，\n模型能力取决于你的 Evaluation\n就如同姚顺雨所说，我们进入了一个「定义问题将比解决问题更重要，evaluation 比 training 更重要」的时代。\n年初的 DeepSeek R1，年中的 Claude 4.5、Kimi K2、MiniMax M2，年底的 GPT-5.2、Gemini 3 Pro 和豆包 1.8，每款模型发布后，基本都会刷榜各个评测集。\n但每款模型都能刷榜，也就意味着这些旧的评测集，存在的意义已经消失了。\n没人再关心 GSM8K 的分数是 95 还是 96，大家只关心模型能不能独立分析完一张 Excel 表，能不能完成一项现实世界里需要花费 2h 完成的任务。\n模型之间真正的能力对比，已经不是看公开榜单的做题能力了。\n如何定义新的 Evaluation，在豆包 1.8 的 Model Card 中，团队发布了他们的 Evaluation System，可以当做对这个问题的一种回答。\n评估系统遵循以下三个主要原则：\n1. 优先考虑用户体验 ：首先分析真实世界的用户需求。通过研究像 ChatGPT 这样的通用模型的实际使用案例分布（例如，查信息、文本编辑和辅导是前三大类别），豆包 1.8 的评估系统涵盖了关键的流行用例，从而更好地与 C 端用户需求对齐。\nOpenAI 发布的 ChatGPT 用户用例。\n2.","source":"geekpark.net","date":"2026-09-28T12:49:21+00:00","content":"基模的「厚度」最终决定了Agent的天花板。\n本文首发于 Founder Park 公众号 · 2025 年 12 月 19 日\n兜兜转转，2025 年的 AI 行业，以 DeepSeek R1 和 Manus 开局，最终又回到了基模本身的主线叙事。\n谁对 Agent 的支持能力更好、谁的 Coding 能力更强、谁能用好工具，谁才是今天开发者更愿意选择的模型。\n不再只看榜单分数，解决现实世界复杂任务的能力，成为了衡量模型的新标准。\n字节在昨天发布的豆包大模型 1.8，同样选择增强了对于 Agent 的支持能力，除了继续增强 Coding 和工具使用能力之外，豆包 1.8 选择了一个更有想象力的场景——OS Agent。\n一个不仅能搜索、能写代码，还能「看见」世界并且进行交互的 Agent。\n不仅如此，随着模型同步发布的，还有一套基于现实世界任务的新的 Evaluation System，喊了一年的「AI 下半场」，或许这套评测集，是我们开启下半场的方式之一。\n超 17000 人的「AI 产品市集」社群！不错过每一款有价值的 AI 应用。\n- 最新、最值得关注的 AI 新品资讯； \n- 不定期赠送热门新品的邀请码、会员码； \n- 最精准的AI产品曝光渠道 \n01\n真正好用的基模：原生多模态+thinking\n今天模型的技术发展，已经不再局限于基于文本模型了，先是 R1 和 o1 带来的 thinking 能力，然后就是厂商一直在增强的模型的视觉能力，用「眼睛」看懂和理解世界的能力。\n如果 Agent 真的想成为人类现实世界复杂任务的助手，视觉能力是它们理解和执行这些复杂任务的有力保障。\n过去，给大模型增加视觉理解能力一般是通过外挂的方式，在文本模型的基础上，加上 VLM 的能力，甚至单独发布一个 VLM 的模型。比如 OpenAI 在 2023 年发布的 GPT-4V 模型，而 Gemini 系列，采用了更原生、更端到端的方案，原生就是一款具备多模态理解能力的模型。\n豆包模型也是这个思路，豆包 1.6 版本将 LLM 和 VLM 组合在一起，豆包 1.8 从一开始的预训练，就实现端到端的训练，不仅保留了文本的推理性能，还实现了视觉理解能力的显著提升，这才有了技术报告中的仅次于 Gemini 3 Pro 的能力表现。\n数据来自豆包 1.8 Model Card\n在这么短的时间内，实现对于 Gemini 系列的追赶和对标，某种角度上，也证明了基模公司之间，大家对于模型未来的发展是有共识的，无非是谁先能找到最高效的那条路而已。\n至于 thinking 能力，豆包模型从 1.6 版本就实现了原生支持4种思考长度，让开发者根据场景实现思考长度的自调节，兼容不同的任务，很明显，thinking 能力是现在基模的标配，而不是可选项。\n02\nAgent 有了视觉能力，\n解锁了更有想象力的新场景\nManus 开启了今年的 AI Agent 创业热潮，基模对于工具的调用能力成为创业者关注的重点，工具调用的可靠性问题成为了很多创业者在 Agent 场景的痛点。\n豆包 1.8 版本，和今年发布的其他几款模型尤其是国产模型 Kimi K2、MiniMax M2 一样，重点增强了 Agent 使用工具的能力。\n从技术报告中可以看出，豆包 1.8 在工具调用、智能体搜索、智能体编程和复杂指令遵循上都有了能力的大幅提升。\n官方演示的调用工具的案例\n从演示案例中可以明显看出，在 Agent 之外，豆包 1.8 核心的 agent 能力是 OS Agent，原生基座的视觉能力使它能够「看见」并直接与界面交互。\n电脑、网页、移动端三类环境中任务执行能力的评测，数据来自官方 Model Çard。\n能看到、能理解、能操作，带来了新的使用场景和想象力。\n比如常见的 GUI 操作类任务，app 调用、企业 RPA 流程的一些自动化任务，比如最近引起热议的豆包手机助手。\nOS Agent 可能带来了哪些新的可能性？\n- 没有 api 或者很难提供 api 接口的系统，比如维护多年的银行 ERP、公司的内网系统等等这些传统 Agent 基本无法搞定的场景，今天可以用 OS Agent 的方式去提效了。 \n- 对 api 调用限制极其严格或者需要改造 api 的系统，GUI Agent 可以直接模拟网页操作，绕过 api 限制，实现跨平台的数据搬运。 \n- 视频理解创作更容易了，OS Agent 可以「看」懂画布。图片修改、视频修改，Agent 是通过视觉识别这些元素并拖拽鼠标完成的，而不是修改底层代码。 \n- 借助模型的视觉能力和自带的 Video 工具，GUI Agent 可以进行实时的视频流理解 + 动作决策。操作 app、监控视频的实时解析、甚至代打游戏不再是个难题了。 \n我们可以再往前畅想一步，今天是 Agent 在理解为人类设计的软件，下一步，很多软件可能会面向 Agent 设计交互，不再需要开发复杂的前端界面给人类看，软件只需要暴露一个极简的、高密度的信息界面给 Agent 看即可。\n再下一步呢，Agent 可以根据当前的任务，实时生成一个临时的 UI 给人类确认，一个只需要简单交互就可以实现任务交付。\n欢迎来到 Generative UI 的时代！（但可能还需要一段时间）\n03\n基模的「厚度」决定了 Agent 的天花板\n对创业者来说，Seed 1.8 有一个重要的更新值得特别介绍下——思考模式下的工具调用，这个在 Claude Sonnet 4.5 和 DeepSeek-V3.2 中都已经推广使用的工具调用方式。核心是让模型在在保留推理状态的同时，进行多次工具调用。模型能够利用历史轮次的思考内容，最终给出更详尽准确的回答。对于长链路的 Agent 任务，保留推理状态能够显著提升最终的完成效果。\n豆包 1.8 思考模式下的工具调用。\nAgent 最终的能力如何，某种意义上来说，又回到基模本身的能力和厚度上。\nThinking 不再是单独的功能，而变成了基模的一个开关。\n视频理解工具已经被模型原生的多模态能力吞噬了，基础模型自己就能直接「看」完一个半小时视频并回答问题。工具塌缩成了模型的感觉器官。\nCoding 不再是一个垂直行业技能，而是它操作计算机、调用工具、处理文件的基础语言能力。当基模足够强，Coding 就从一个「应用」塌缩成了基模的标准能力。\n或者可以说，很多上层应用，Agent、Coding、垂直工具的能力，最终又塌缩回基模本身。\n开发者们需要做的，是搭建自己的 Context Engineering，利用模型的通用智能，去解决那些它因为缺乏数据和反馈而解决不了的「最后一公里」问题。\n04\n真正的 AI 下半场，\n模型能力取决于你的 Evaluation\n就如同姚顺雨所说，我们进入了一个「定义问题将比解决问题更重要，evaluation 比 training 更重要」的时代。\n年初的 DeepSeek R1，年中的 Claude 4.5、Kimi K2、MiniMax M2，年底的 GPT-5.2、Gemini 3 Pro 和豆包 1.8，每款模型发布后，基本都会刷榜各个评测集。\n但每款模型都能刷榜，也就意味着这些旧的评测集，存在的意义已经消失了。\n没人再关心 GSM8K 的分数是 95 还是 96，大家只关心模型能不能独立分析完一张 Excel 表，能不能完成一项现实世界里需要花费 2h 完成的任务。\n模型之间真正的能力对比，已经不是看公开榜单的做题能力了。\n如何定义新的 Evaluation，在豆包 1.8 的 Model Card 中，团队发布了他们的 Evaluation System，可以当做对这个问题的一种回答。\n评估系统遵循以下三个主要原则：\n1. 优先考虑用户体验 ：首先分析真实世界的用户需求。通过研究像 ChatGPT 这样的通用模型的实际使用案例分布（例如，查信息、文本编辑和辅导是前三大类别），豆包 1.8 的评估系统涵盖了关键的流行用例，从而更好地与 C 端用户需求对齐。\nOpenAI 发布的 ChatGPT 用户用例。\n2. 转向真实世界场景：从合成的、孤立的任务转向现实的、面向应用的场景。因为标准基准上的高分并不总是能转化为实际价值，因此，评估设计了具有高经济价值的任务，这些任务模仿了现实世界的复杂性。\n3. 推动智能前沿：在优先考虑实际可用性的同时，评估系统仍然致力于推进通用智能。系统通过设计涵盖高级推理、数学和编码的新基准，来衡量模型的峰值性能，确保核心智能不会因为侧重可用性而被削弱。\n在和豆包模型技术人员的交流中，他们分享了一个大众以为很容易，实际上很难的场景——客服场景，就是一个很典型的从真实世界场景出发的评测任务。\n客服是一个难度被低估的场景，数据分析反而比客服简单。因为像 Coding、数据分析这类任务，天然存在大量公开数据，而且比较好验证。而客服，需要获得大量的 SOP 很难，任务里涉及很多因素不好验证，中间还有幻觉，准确性要求又极高，很难做成一个 Copilot。\n但如果做好了，反过来，模型能力的提升，又解锁了客服场景的新体验。比如因为 AI 的高情商，在承担客服的过程中，甚至还当上了销售，用户本来是要修手机，最后却购买了一台新的手机。","confidence":0.9,"diagnostics_url":"/api/diagnose?url=https%3A//www.geekpark.net/news/371246","quality_bucket":"high","failure_kind":"none","retryable":false,"quality_reason":"High confidence: full text extraction produced 3851 characters.","quality_profile":{"profile_version":"extraction_quality.v2","bucket":"high","confidence":0.9,"failure_kind":"none","retryable":false,"retry_after_attempts":0,"reason":"High confidence: full text extraction produced 3851 characters.","operator_guidance":{"severity":"ok","recommended_action":"trust_full_text","next_step":"Use the extracted full text as the primary article source.","operator_label":"Ready","can_retry":false,"can_use_summary":false,"diagnostics_required":false},"content_depth":{"contract_version":"content_depth.v1","category":"full_text","label":"Full text","has_full_text":true,"has_summary":true,"content_length":3851,"summary_length":3377,"usable_text_length":3851,"source_field":"content"},"legacy_collapsed":false,"signals":{"extract_state":"ok","extract_error":null,"extract_retries":0,"content_length":3851,"summary_length":3377}},"tags":[],"format_contract_version":"news_item_formats.v1"}}}