文｜周鑫雨

編輯｜蘇建勛

交出后DeepSeek R1時代的答卷，對如今的六小虎而言，顯得尤為重要。

DeepSeek R1和Manus，已經分別在推理模型和AI Agent領域炸了場。對于后來者而言，跟隨是最為保守的路徑。比如，百度發布了推理模型文心X1，騰訊上線了混元深度思考模型T1。

在3月31日的OpenDay上，在國內資本市場拿錢到手軟的智譜，開年交出的答卷則是R1和Manus的“plus版本”——具有深度思考能力的Agent產品，“AutoGLM 沉思（以下簡稱‘沉思’）”，已經免費上線。

AutoGLM沉思。

智譜旗下的初代AutoGLM，曾在2024年11月，實現了第一個由AI發出的紅包：AI發了人類歷史上第一個紅包。“沉思”的班味兒則更重些。就像一位人類實習生，它能夠基于開放的自然語言問題，理解、分析、搜索信源。

并且比“聯網搜索”更進一步，“沉思”能查看如知網、小紅書、公眾號、京東、巨潮資訊等不對外開放API的信源，同時具有多模態理解能力，能夠理解網頁上的圖文信息。

張鵬展示的一個案例是：用“沉思”運營小紅書賬號，兩周漲粉5000，還接到了商單。

小紅書起號的關鍵，一是更新頻率高，二是話題吸引人。只要輸入想討論的熱門話題，比如“手沖咖啡全套設備種草攻略”，“沉思”就能從小紅書、知乎等平臺，根據上百個信源自動做好了總結。

智譜用“沉思”運營的小紅書。

DeepSeek App一舉創下3000萬日活的神話后，AI廠商對產品范式的認知，逐漸有了變化：應用的最終形態，就是模型；所謂的應用，也成了模型能力的秀場。

可以明顯感受到，“沉思”的交互界面設計，相較于Manus，更突顯了模型本身的思考能力。

在思考過程中，“沉思”展現的是“思考”，從理解問題、拆解問題出發，通過信息檢索，再列出解決方案的框架。而Manus著重展現的是“行動”，可視面板顯示的是AI調用工具的過程。

“沉思”和Manus的界面對比。上為“沉思”，下為Manus。

“沉思”和Manus的界面對比。上為“沉思”，下為Manus。

比起具有“成為全球首款通用智能體”野心的Manus，“沉思”對于當下智譜的意義，比起可用和落地，在于通過秀出思維鏈，展現其模型實力。

智譜AutoGLM負責人劉瀟也直言，雖然“沉思”能夠執行研報整理等簡單任務，但當前提供給大眾的，只是一個預覽版本，還有很多的不足。

一個直觀的對比是，Manus通過調用Claude的Computer Use能力，能夠實現跨PC、App等多端的操作，并且交付出PPT、網頁等擁有具體形態的結果。

比如，輸入Prompt“請制作一個jellycat主題的吃豆人網頁游戲，素材顏色飽和度不要太高”，Manus能直接交付一個像模像樣的游戲網頁（雖然執行時間長達45min，且游戲存在bug）。

Manus交付的吃豆人網頁游戲。

但當前的“沉思”預覽版能交付的，仍然是類似于Deep Research（OpenAI推出的研究智能體）的研究整理，無法開箱即用。

輸入上述的Prompt，“沉思”只能輸出實現游戲的代碼，用戶還需要額外復制和運行，對非技術背景的用戶并不友好。

“沉思”交付的是游戲代碼。

一名智譜員工告訴《智能涌現》，“沉思”仍是一個試驗性產品，“‘沉思’還不能跨端操作，如果要實現這點，就必須集成GLM-PC（智譜推出的電腦操作模型）等類似Computer Use的功能。”

在Agent上下了一番功夫，智譜想要展示的到底是怎樣的技術實力？

OpenDay上，張鵬解析了實現“沉思”所需的模型組合：基座模型GLM-4-Air-0414，推理模型GLM-Z1-Air，以及沉思模型GLM- Z1——這三款新模型，分別對應Agent所需的語言理解、問題分析，以及反思驗證能力。

“沉思”背后的新模型。

值得一提的是，智譜提出了“沉思大模型”的概念，這也代表了智譜對R1下一階段的探索。在張鵬看來，單純依賴內部知識推理，讓傳統AI具有相當大的局限性。

比帶有局限性的推理更進一步，“沉思”要求AI能夠實時聯網搜索、動態工具調用、深度分析和自我驗證，進而保證交付成功的可靠性和實用性。

“價格屠夫”DeepSeek的掀桌，同樣在逼迫后來者或是開源，或是提供更高性價比的模型。

智譜新發布的三款模型中，推理模型 GLM-Z1-Air的推理速度相比R1提升了8倍，但成本僅有1/30，還能在消費級顯卡上運行。與此同時，這三款新模型也將在4月14日悉數開源。

當然，身處“后DeepSeek”時代，思考是否堅持預訓練、如何做商業化，是如今六小虎不得不回答的問題。

以下是智譜CEO張鵬在發布會上，關于Agent和模型技術，以及商業化的一些思考，略經《智能涌現》編輯：

• 預訓練仍然很重要。預訓練雖然現在關注度不那么高，但是RL（強化學習）等各種方法，本質上還是依賴預訓練所帶來的基座模型天花板。作為基座模型廠商，預訓練是我們一定會堅持的事情。
• 未來的新應用形態，尤其是智能體的應用形態，還是會回歸到模型上。未來很多的應用會以模型為核心，包上一個很淺的或者很薄的產品化，應用性的殼就會變成一個產品。模型能力一旦提升產品能力就得到提升，這是很典型的新應用范式的變化。
• 中間的所有產品化、工程化的方法，它是權宜之計，是折中式的解決方案。當造出一個像人一樣聰明的腦子之后，工程上的事情就比較少，只需要給它裝上手和眼睛就像人一樣可以完成很多工作，這是AGI的終極目標。
• 不只是大模型推理滿足Scaling Law，我們發現，Agent 也存在類似的Scaling Law。通過擴展訓練時的inference compute（推理計算），我們觀察到Agent展現出了更強的性能。
• 企業或者用戶不管是調API，還是買模型，怎么使用好這個模型是大家面臨最大的問題。在這樣一個前提下，開源不開源，免費不免費，本身已經不是特別關鍵的問題，落地需要雙方的磨合。
• 過去歷史的經驗，包括像MySQL也好，還有RedHat，其實已經證明了開源并不等于完全免費，還包括后期技術人員的投入、維護的成本，包括探索怎么把DeepSeek做本地化等等，你要找專業的團隊。因此服務是開源的商業模式。
• 通用Agent不能有短板。為什么AI的思考能力、文字能力遠超你，但還是不如你？因為它的能力參差不齊。明顯短板的存在，就會導致應用的成功率急劇下降。
• 為什么現在的Agent會被第三方平臺攔截？本質上還是不夠聰明。如果真的通過圖靈測試，我相信現在的封禁和攔截策略也很難做的到。所以規避攔截本質上是工程技術問題。
• 我們在具身智能上會有相應的布局，但可能還需要一點時間。
• 我不認為我們是To B的公司，我討厭貼標簽。我們只做自己認為有意義的事情，這些事情會在不同的場景或者不同的客戶那里，產生不同的應用方式和不同的價值。

歡迎交流！