摘要：当OpenAI发布了新的o3 模型和 o4-mini 模型之后，一位业内人士有此感慨。行业普遍认为2025年是AI Agent元年时，大模型厂商似乎按捺不住，率先下场成为最大的AI Agent。

作者 | 常棣

编辑 | 葛覃

“OpenAI要把Agent吞进模型里了。”

当OpenAI发布了新的o3 模型和 o4-mini 模型之后，一位业内人士有此感慨。行业普遍认为2025年是AI Agent元年时，大模型厂商似乎按捺不住，率先下场成为最大的AI Agent。

结合行业视角观察，大模型也正在从“对话生成”向“任务执行”跃迁，具备规划、记忆、工具调用等能力，而一些AI Agent厂商所担心的事情已经发生，即大模型本身的进化会吃掉一部分AI Agent的能力，这代表旧的Agent生态被拆解，新的Agent生态正在形成。

大模型内生Agent

无论愿意与否，大模型Agent化的趋势已经袭来。o3 拥有更强的图像分析能力，o4-mini 也首次支持图像输入，两款模型均支持 Responses API 与 Chat Completions API，其中 Responses API 支持与多个工具的无缝集成，还能输出“推理摘要”，这不仅有助于理解模型输出，还能进一步优化工具调用效果。

国内模型也在加码适合Agent化的大模型。与OpenAI发布新模型的同一天，火山引擎总裁谭待表示，Agent智能体应用发展将带动大模型进一步普及。“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。”

豆包最新的深度思考模型采用MoE架构，总参数为200B，激活参数仅20B，以较小参数实现较好的效果，同时，豆包模型API服务保障高并发延迟低至20毫秒，且具备视觉推理能力，拓展了智能推理的应用边界。

更早之前，阿里云智能集团资深副总裁、公共云事业部总裁刘伟光提到，阿里巴巴开发新的模型最重要的两个方向，一个是Reasoning推理，一个是全模态融合。

“大模型未来一定是向越来越强的推理能力演化，尤其强化学习，不断提升思维链的能力，伴随着模型内生的任务规划、工具使用能力不断增强，大模型会越来越智慧，可以不断思考更难更高问题，完成更复杂任务。”他说。

阿里云此前开源的QwQ-32B推理模型，在小参数模型实现大参数模型的能力，已经应用于风险控制、风险审核等任务，集成了智能体能力之后，对Agent智能体更加友好，而且32B参数模型能够有效降低部署和使用成本，甚至在消费级显卡上也能够部署。

结合行业视角来看，大模型本身正在将Agent能力内生化。刘伟光介绍，第一步，用强化学习进一步提升模型的泛化能力，例如把推理任务拆解成多个子任务，从而提升模型跨领域泛化能力；

第二步，模型自行判断用快思考还是慢思考解决问题，模型该快的时候更快，该慢的时候思考的更深，可以合理使用底层计算资源，降低资源的不必要的消耗；

第三模型具备更强大的任务规划和工具调度能力，并且成为模型自身的原生能力，这些能力纳入到模型本身推理之后，从而加速Agent和AI的落地。

Agent落地，没想象的简单

Manus的火热，一定程度上说明了AI Agent行业的关注度，但是，结合Manus仍以邀请码的形式开放，以及更多面向消费级和企业级的Agent都未广泛普及的现状来看，AI Agent还有不少坎要过。

亚马逊云科技对TechForWhat表示，对比国内外企业做Agent的情况，可以从大语言模型、API和商业形态三个层次上来看。

如果大语言模型能力强的话，可能Agent 之间的交互就会少一些，所以模型能力很关键，各种模型也有不同的特点，比如Claude 3.7 代码能力很好，Amazon Nova的翻译性价比很高，而模型能力目前达到的程度，也会决定Agent构建时的复杂度。

其次，API 其实是下一步Agent 落地很重要的一环，比如亚马逊设计的 API 规范都是开放的，可以供企业参考。

最后，商业形态方面，Agent说到底都只是一个业务软件，只不过交付形态不同，但无论是以软件形式还是服务形式交付，无论是在国内还是国外，亚马逊云科技提供的Marketplace都可以支持。

Manus联合创始人张涛也表示，Agent和传统chatbot的场景不太一样，过去两年多时间，绝大部分大语言模型在不管在Pre-training还是Post-training阶段，所有的训练目标都是面向Chatbot，Chatbot的特点是，模型总是期望在一轮对话里面回答问题。

但是，现实任务很难在一轮对话里面解决问题，甚至可能可能需要50-100轮对话，Manus目前在海外使用的模型还是Claude 3.7 Sonnet，而在国内传出要和阿里云通义千问合作的消息。

谭待也表示，而要做好agent，技术上需要做好三个准备。首先最核心的是要有更强的模型，要做好agent，模型需要有能力做好思考、计划和反思，而且一定得支持多模态。因为真实世界的任务需要耳朵、嘴巴和眼睛来共同完成。

此次是更好的架构和工具，来支持大模型去操作数字和物理世界，构建好OS agent；最后是通过AI云原生，不断降低模型推理的成本和延迟，让应用无障碍。

为此，火山引擎也推出OS Agent解决方案，并演示了由Agent操作浏览器，搜索商品页，实现iPhone比价的任务，甚至由Agent在远程计算机上用剪映进行视频编辑、配乐。

火山引擎的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，可实现对代码、浏览器、电脑、手机以及其他Agent的操作。好的模型和工具能够加速Agent的落地，但Agent也会带来更大量的模型推理消耗。火山引擎专门打造了AI云原生ServingKit 推理套件，让模型部署更快、推理成本更低，GPU 消耗相比传统方案降低80%。