近一年以来，统一理解与生成模型发展十分迅速，该任务的主要挑战在于视觉理解和生成任务本身在网络层间会产生冲突。早期的完全统一模型（如 Emu3）与单任务的方法差距巨大，Janus-Pro、BAGEL 通过一步一步解耦模型架构，极大地减小了与单任务模型的性能差距，后续方法甚至通过直接拼接现有理解和生成模型以达到极致的性能。
互联网技术的发展极大地便利了我们的生活，但许多网络任务重复繁琐，降低了效率。为了解决这一问题，研究人员正在开发基于大型基础模型（LFMs）的智能体——WebAgents，通过感知环境、规划推理和执行交互来完成用户指令，显著提升便利性。香港理工大学的研究人员从架构、训练和可信性等角度，总结了WebAgents的代表性方法，全面梳理了相关研究进展。
WebAgent 续作《WebShaper: Agentically Data Synthesizing via Information-Seeking Formalization》中
在这篇文章中，它详细展示了如何构建一个有效的多智能体研究系统，这是一个架构，其中主代理（The Lead Agent）会生成和协调子代理（Subagents)，以并行方式探索复杂查询，内容涵盖系统架构、提示工程以及评估方法等。
过去一段时间，“通用 Agent”成了 AI 应用的默认发展方向。无论产品叙事还是技术布局，大家似乎都在追求一个“什么都能做”的智能体。但现实逐渐显露：通用 Agent 在真实世界中并不那么“通用”。
在计算机科学领域，有一句英文谚语——「Garbage in, Garbage out」。
字节跳动开源了一个口碑还不错的模型——BAGEL （ByteDance Agnostic Generation and Empathetic Language model）, 一个统一多模态基础模型。啥叫“统一”？一个模型就能同时理解和生成文本、图像、视频！
字节最近真的猛猛开源啊……这一次，他们直接开源了GPT-4o级别的图像生成能力。不止于此，其最新融合的多模态模型BAGEL主打一个“大一统”， 将带图推理、图像编辑、3D生成等功能全都集中到了一个模型。
遍地开花？大力出奇迹？字节投身AI洪流。没有人能说清楚这次 AI 带来的爆发机会在哪，但每家公司都害怕错过、尤其是大厂。
