豆包“包圓”互聯網

豆包手機才發布半個多月，字節就發布了通用agent模型豆包 1.8。這是一個能在真實世界中“做事”的多模態大模型。

豆包 1.8可以直接操作你的手機、電腦和瀏覽器。它能看懂屏幕上的按鈕和界面，然后像人一樣點擊、滑動，幫你完成各種任務。

這是字節一次非常大膽的嘗試。要知道，在12月1號的時候，字節才發布了豆包手機。通用agent大模型的推出，讓豆包的領地從手機一下就擴張到了PC端，再加上智能硬件以及未來可以預期的智能座艙，豆包算是把互聯網從入口層面“一網打盡”了。

此前，曾因為豆包手機，字節已然成為了移動互聯網的敵人，微信、淘寶等超級流量APP明確表示拒絕豆包調用。

而現在，隨著豆包 1.8的發布，字節的敵人只增不減。

A

先來說說豆包 1.8的評分，更直觀的感受它作為agent是否合格。

在多模態理解方面，豆包 1.8的表現具有競爭力。模型能夠處理圖像和視頻內容，單次視頻理解的幀數從前代的640幀提升至1280幀。該項提升并非僅體現在數值層面，在實際應用場景中，模型能夠以低幀率理解長視頻的整體內容，在遇到關鍵片段時調用工具進行高幀率分析。

比如官方演示中，豆包 1.8就對籃球視頻進行分析，最終濃縮出正常比賽的內容。

在公開評測中，豆包 1.8在ZeroBench主集上獲得了11.0分，超越Gemini-3-Pro的10.0分，位居業界首位。ZeroBench是極限視覺推理基準測試中的核心部分，評分越高，代表模型越能理解復雜的視頻。

在視覺推理任務上，模型在MathVista得分87.7，MathVision得分81.3，LogicVista得分78.3，雖然整體略遜于Gemini-3-Pro，但是仍處于第一梯隊。

視頻理解方面，模型在VideoHolmes測試中得分65.5，EgoTempo得分67.0，MotionBench得分70.6，在長視頻和流式視頻處理上同樣保持了競爭力。

更為關鍵的是模型的agent能力。

豆包 1.8能夠執行代碼、操作圖形界面、使用各類工具，這些能力使其能夠完成多步驟的復雜任務。在BrowserComp-en搜索任務基準測試中，模型得分為67.6，在智能編程和經濟價值領域的相關測試中也表現穩定。

字節在技術報告中提及，模型支持search、code execution、GUI interaction三種核心交互方式，這些能力通過統一的agentic接口實現。

在基礎能力方面，豆包 1.8在數學推理、代碼能力、復雜指令遵循、知識覆蓋等維度均保持了主流水平。在AIME-25測試中得分94.3，BeyondAIME得分77.0，AMO-Bench得分60.0，LiveCodeBench得分79.5。

這些數據表明豆包 1.8的底層能力扎實，字節并未因agent能力而忽視基礎建設。

字節專門構建了一些內部評測基準，覆蓋教育、客服問答、復雜工作流等高價值場景。

在教育場景的測試中，豆包 1.8得分60.8，在客服問答中得分69.0，均為參與測試模型中的最高分。該結果驗證了模型在實際業務場景中的表現。

豆包 1.8提供了四種thinking模式:no_think、think-low、think-medium、think-high。

該設計旨在平衡延遲、計算成本和解決方案質量之間的關系。用戶可根據任務的復雜程度選擇不同的模式，在需要快速響應的場景使用低算力模式，處理復雜任務時切換至高算力模式。

而且豆包 1.8在視覺編碼上進行了優化，減少了圖像和視頻輸入的token消耗。在長上下文處理方面，模型支持256K的上下文長度，并提供了原生API級別的上下文管理。

直白來說，字節已經提前規劃好了豆包 1.8有哪些實際用途，以及部署上該如何優化。

B

有意思的是，豆包 1.8的能力范圍不限于手機助手，瀏覽器以及PC端都可以使用。也就是說，字節正在用AI包圓整個互聯網。

其實這兩年瀏覽器市場的變化是非常顯著的。傳統瀏覽器，比如谷歌的Chrome和微軟的Edge，都在加入AI能力。也誕生了許多基于大模型的AI瀏覽器。

Atlas是OpenAI在2025年10月推出的產品，本質上是Chrome與ChatGPT的結合，將對話助手嵌入傳統瀏覽器。Disco是Google Labs的實驗項目，擁有名為GenTabs的機制，能夠將用戶瀏覽的標簽頁直接生成可交互的Web應用。

AI瀏覽器是一個非常大的市場。Market.us數據顯示，2024年全球AI瀏覽器市場規模約45億美元，預計2034年將達到768億美元，年復合增長率達32.8%。

然而豆包 1.8其實可以讓設備擁有更神奇的玩法。

該模型的云端架構使其能夠實現跨設備協同，也就是說，理論上用戶可在手機上向豆包 1.8下達命令，由電腦上的瀏覽器執行。

比如在手機上瀏覽抖音時發現感興趣的內容，想要切換至大屏觀看。那么就可以向豆包 1.8發出“在網頁上打開該頁面”的指令，電腦瀏覽器便能打開手機上的視頻。

這種跨平臺能力是傳統瀏覽器AI化難以實現的，也是Atlas、Disco等獨立瀏覽器產品目前尚未擁有類似的能力。

實際上，字節也在效仿微軟。微軟曾在Ignite 2025大會上宣布Windows正在成為“AI agent操作系統”。

然而字節的想法和微軟是不相同的。

微軟需要從底層改造Windows系統架構，將agent能力深度集成到內核和API層面。而豆包 1.8的做法更輕量，它是一個系統外部的代行者，就像是外骨骼一樣簡化用戶的操作。

為了實現這個目標，首先就是要理解文字和圖表。豆包1.8在這個領域有專門優化。

它不僅能閱讀文字，還能理解復雜的學術圖表、數據可視化、技術文檔中的示意圖。在處理包含大量公式、圖表和專業符號的學術論文時，模型能夠提取關鍵信息、理解圖表含義、建立文字與圖示之間的對應關系。

而且PC端的任務往往比移動端要復雜。于是豆包1.8在復雜推理任務中，加入了并行思考機制。通過分配額外的計算資源，它可以同時探索多個解決方案路徑，評估不同方案的可行性，最終選擇最優解。

實際應用測試顯示，豆包能夠處理綜合性的規劃任務。在旅行規劃場景中，它可以同時處理多模態信息，從地圖、圖片、文字描述中收集信息，綜合考慮預算、時間、偏好等約束條件，生成詳細可行的行程安排。

C

字節想要把AI的蛋糕做大，但是豆包手機已然讓字節成為眾矢之的，繼續升級agent，只會為自己引來更多的敵人。

互聯網行業當前的商業邏輯是，用戶在應用中停留的時間越長，觀看的廣告越多，平臺獲得的收益越高。應用開發商投入大量精力優化界面、設計轉化路徑、增加用戶黏性，目的是讓用戶盡可能多地接觸商業化內容。在該邏輯下，應用是流量的關口，掌握應用即掌握用戶。

agent模型的出現，對該邏輯形成了顛覆。在字節的演示中，豆包 1.8能夠調用十余個工具完成電商平臺的全網比價和下單。

用戶無需打開淘寶、京東、拼多多，無需在各應用之間切換，只需告訴大模型“購買性價比最高的某產品”，agent便會自動搜索、比價、篩選、下單。在整個過程中，用戶完全不接觸應用界面，自然也無法看到任何廣告。

實測顯示，豆包 1.8可通過playwright MCP工具，按指令在淘寶篩選500-1000元區間銷量第一的半入耳式藍牙耳機，再到唯品會、京東比價并完成加購。

該能力對用戶而言是效率的提升，但對應用開發商而言則構成威脅。

廣告展示失去了核心場景，原有的流量價值被大幅壓縮。更為關鍵的是，用戶對應用的認知可能發生改變。

過去用戶的認知是“購物使用淘寶，打車使用滴滴”，現在轉變為“向agent說明需求，由其決定使用何種服務”。應用從流量的關口轉變為agent可選的工具，互聯網的統治權從應用層轉向模型層。

豆包手機遭遇的封禁和限制，本質上是應用開發商的防御反應。但該防御能夠持續的時間，取決于用戶的選擇。

但是，規矩是人定的。如果足夠多的用戶認為agent的使用體驗明顯優于傳統的應用操作，APP開發商將不得不調整策略。

開發商可能開放API接口使agent更好地調用，也可能在agent調用時保留部分廣告展示，或者改變商業模式，從流量變現轉向服務收費。

況且，AI agent的玩家越來越多。

12月9日，智譜就宣布開源其核心AI agent模型AutoGLM。與豆包手機助手的能力相似，AutoGLM能夠穩定完成外賣點單、機票預訂等長達數十步的復雜操作流程，并且已支持微信、淘寶、抖音、美團等超過50個高頻中文應用。

質譜開源的AutoGLM-Phone-9B總共只需要36GB的空間，就可以完全在手機本地運行。且開源采用MIT和Apache-2.0雙許可證，意味著任何人都可以免費下載并用于商業用途。

在移動互聯網時代，谷歌憑借開源的Android系統建立了龐大的生態，智譜顯然想要在AI操作系統時代復制這一路徑。

而且從豆包和智譜的技術實現來看，這個領域的核心壁壘和大模型是完全相同的，騰訊、阿里等等互聯網大廠，手里都握著門票。

不過從行業競爭的角度觀察，誰能讓agent與現有APP生態共存的一方，誰才能占據優勢。

字節既擁有模型能力，也擁有應用生態。抖音、今日頭條等產品本身即為流量大戶，字節能夠先在自身應用中測試agent能力，積累經驗后再向外擴展。

且字節的云端架構使其能夠快速迭代，豆包手機上線半月即推出多次更新，該迭代速度是傳統硬件廠商難以達成的。

不可否認的是，豆包1.8是字節的探索性嘗試。

它們展示了一種可能性，但距離成熟的產品形態仍有距離。至于最終能夠走多遠，取決于字節在技術、生態、商業模式上能夠實現多少突破。