过去一年，国产大模型的竞争主线经历了三次切换：先是参数规模与榜单排名，接着是长上下文与价格战，近日则明显转向多模态与Agent的结合。阿里通义千问在多模态理解上持续加码，支持图像、文档、表格的混合输入与结构化输出；智谱清言把视觉理解与界面操作结合，让智能体能够“看着屏幕”完成任务；月之暗面的Kimi在长文本基础上强化了文件解析与图表读取；字节豆包则把多模态能力嵌入到企业知识库与内容生产流程中。这条技术路线的共同逻辑是：只有先“看懂”，才能真正“做事”。
多模态之所以成为Agent的前置条件，原因在于真实任务很少是纯文本的。以办公场景为例，一份合同可能包含扫描件、表格与手写批注；一次客服请求可能附带截图与语音；一次电商运营任务需要同时处理商品图、评价文本与销售数据。如果模型只能读文字，Agent的执行半径就会被大幅压缩。近日国内厂商在多模态上的投入，正是为了把Agent的输入从“提示词”扩展到“真实世界的信息形态”。通义千问在文档理解上的优化，使得表格抽取与跨页信息对齐的准确率明显提升，这直接决定了下游自动化流程能否跑通。
更值得关注的是GUI Agent这条细分路线。智谱的AutoGLM让智能体直接操作手机界面，这意味着模型必须同时具备视觉定位、语义理解与动作规划能力。与调用API相比，GUI路线的优势是通用性强，几乎不依赖App厂商的配合；劣势是鲁棒性挑战大，界面改版、弹窗干扰、加载延迟都可能导致任务失败。为了提升成功率，厂商普遍采用了“感知—规划—执行—校验”的循环结构，并在关键节点引入人工确认。这种设计思路其实借鉴了传统RPA的经验，但用大模型替换了规则脚本，从而具备更强的泛化能力。
从商业化的角度看，多模态加Agent的组合正在打开几个明确的市场。第一是办公自动化，包括合同审阅、报表生成、会议纪要整理，这类任务对准确率要求高但流程相对固定，适合Agent接管。第二是电商与营销，商品图生成、详情页优化、评论分析等任务天然多模态，且对效率极为敏感。第三是客服与售后，图文混合的工单处理是多模态Agent的典型场景。第四是教育与内容创作，长文本加多模态的输入让个性化辅导与素材整理成为可能。豆包与火山引擎把上述能力封装为可调用的服务，实际上是在争夺企业AI的入口。
当然，挑战同样清晰。多模态推理的算力成本显著高于纯文本，长链路Agent的token消耗又会进一步放大成本，这使得单位任务的经济性成为商业化成败的关键。此外，多模态评测体系尚不完善，界面操作的准确率、文档理解的召回率缺乏统一标准，厂商各自为战容易造成客户认知混乱。数据隐私问题在GUI Agent场景下尤其敏感，智能体读取屏幕内容意味着可能接触到用户的敏感信息，如何在端侧完成脱敏与权限控制，是必须解决的前置问题。
总体来看，国产大模型正从“能力展示”走向“任务交付”。多模态解决的是输入端的丰富性，Agent解决的是执行端的自动化，两者结合才构成完整的生产力工具。DeepSeek在推理能力上的积累、智谱在GUI操作上的探索、Kimi在长文档处理上的优势、千问与豆包在生态与平台上的布局，恰好构成了这场竞赛的不同侧面。接下来的看点不在于谁的演示更炫，而在于谁能把任务完成率、成本与安全性同时做到可商用水平。对中国AI行业而言，这既是技术考验，也是工程与产品的综合考验。
标签：多模态,Agent,通义千问,智谱,大模型