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 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。 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。 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。 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。 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 ...