豆包工作正式發佈：讓 AI 從生成內容到完成工作
8月25日，豆包工作正式發佈。作為豆包面向生產力場景推出的全新 Agent 產品與品牌，豆包工作能圍繞用戶目標自主拆解任務、調用工具、持續推進複雜工作流程。豆包工作還與飛書深度打通，讓 Agent 基於企業上下文更準確地完成工作。目前，豆包工作電腦版已可通過官網下載，用戶也可在最新豆包電腦版中直接使用。即日起下載登錄或升級，便可免費領取 30 天訂閱權益。針對日常辦公中最常見、也最花時間的工作，豆包工作提供了強大的內容生成和編輯能力。無論是寫方案、整理會議紀要、起草報告、做調研總結，還是做表格、分析數據，豆包工作都能交付高質量的任務結果。
在更復雜的製作場景中，豆包工作還能生成和編輯圖片、視頻、網頁甚至應用，能力覆蓋面在同類產品中位居前列。除了生成能力，強大的 AI 協作編輯能力讓豆包工作更可“指哪改哪”。用戶對生成的文檔、表格、PPT 或網頁裡的任意部分，直接框選後便可進行改動，而非重新生成，既節省了算力消耗，也提升了任務完成速度。人和 AI 之間也不用反覆“再來一遍”，而是打磨到成品交付。在更復雜的工作場景中，豆包工作還能直接操作瀏覽器和電腦。獲得用戶授權後，豆包工作便能跨軟件完成任務，用專業軟件處理數據、瀏覽網頁收集信息、填表單、比對資料。需要長時間運行的任務，它還能調用雲電腦繼續執行，即使電腦關機，任務也能持續推進。
同時，用戶還可通過手機遠程操控電腦，在外出時繼續推進未完成的工作。圍繞更多樣化的工作需求，技能、連接器、工作夥伴等 AI 生態能力也必不可少。用戶在豆包工作中可根據自己的任務需要擴展能力邊界，調用不同的工具和外部能力來處理複雜流程，這些工具覆蓋了數據分析、內容策劃、科研、金融等多個不同專業方向。此外，用戶還能選擇多個專業 Agent 組成工作小隊，分工協作完成複雜任務，例如製作數據調研報告時，就能聯動數據、研究、設計類智能體，各展所長、協同推進。此外，豆包工作較一般 Agent 工具還有最大的不同——對用戶工作上下文的深度理解。
通過與飛書的深度打通，用戶在使用飛書賬號登錄豆包工作後，將完整繼承其權限範圍內的企業知識和工作上下文。在用戶授權範圍內，它能夠調用飛書中天然沉澱的聊天記錄、文檔、會議紀要、日程等上下文，並結合相應工具完成工作。也就是說，豆包工作並不僅僅依賴用戶輸入的一句話產出結果，而是基於飛書內的真實上下文，更準確地理解目標、判斷問題並交付工作。在豆包工作發佈後，飛書內的原豆包企業版入口也已升級為豆包工作。更進一步的是，用戶和豆包工作一起創作的內容和知識，也會持續沉澱回飛書，成為可以二次編輯、分享和複用的企業知識。在下次執行任務時，豆包工作能基於持續豐富的上下文，把活幹得更好。
在企業級安全方面，豆包工作也打造了嚴格的全鏈路 Agent 安全防護體系，覆蓋了設備接入、權限設置、額度管控、數據加密和操作審計等環節。同時，豆包工作嚴格繼承飛書既有權限體系，用戶只可在本人權限範圍內讀取數據和使用工具，個人數據與企業數據相互隔離。目前，豆包工作已成為國內首批通過辦公智能體能力與雲端基準測試雙項認證的辦公智能體。
Related
相關文章
Google 開源 Harness²：遞迴代理程式框架，無需新模型也能提升效能
Google Cloud AI Research 開源了 Harness²，這是一個遞迴代理程式框架，透過改良凍結模型周圍的程式碼與檔案來增強效能。對開發者而言，重點很簡單：你的代理程式無需更強大的模型也能進步。重點摘要：規模為框架而非模型，訓練參數為0，包含8個可編輯的框架元件，版本0.1.0。執行環境為Linux、Python 3.12或3.13搭配uv，模型呼叫則透過Vertex AI。GPU需求未公開。效能方面：一次改良步驟即可在3個基準測試中，提升所有4個模型與框架組合的表現。最佳成果：GLM-5搭配OpenCode在WorkBuddy-Bench上從64.2提升至75.7（+11.5點）；最差表現：GLM-5搭配Codex在JobBench上僅提升1.2點（23.6至24.8）。什麼是Harness²？它是Google研究推出的即插即用框架。
如何利用NVIDIA結構化資料模型進行零訓練表格預測
In this tutorial, we implement Structured Data Models, NVIDIA’s new library that puts several pretrained foundation models for tables behind one PyTorch interface, and use it to make predictions without training.
認識 Kyutai REKI：2.4B VLA 模型為機器人操控帶來高效記憶
Kyutai 與 Inria 及 École des Ponts 合作，推出了 REKI——一個用於機器人操控的 2.4B 參數視覺-語言-動作模型（VLA）。該模型僅使用公開數據進行預訓練，並配備了輕量級的近期記憶功能。在三個分佈外基準測試中，僅有規模約為其兩倍的模型能超越它。所有模型權重已於今日在 Hugging Face 上公開。核心資訊：規模：2.4B 參數（2.2B Qwen3.5-2B VLM + 0.2B 流匹配動作專家）。記憶涵蓋最近 3 幀，間隔 1 秒。運行環境：在 1 張 NVIDIA H100 上進行基準測試。從兩個 256×256 攝像頭輸入，編譯後每個動作區塊耗時 21.8 毫秒。權重以 BF16 格式提供，暫無量化版本。性能：在 LIBERO-Plus 和 RoboTwin Clean2Rand 基準測試中，為公開數據預訓練的 VLA 模型中最優；在 LIBERO-Plus 上達到 90.4% 的最高分。
DeepSeek 發布 V4.1-Flash-1017，DeepSWE 得分 77.0，並開放搜尋 API
DeepSeek 剛發布 DeepSeek-V4.1-Flash-1017，這是其 V4.1-Flash 模型的新檢查點，現已在 DeepSeek 網站、應用程式及 API 上線。DeepSeek 宣稱該版本在性能、任務完成速度與輸出簡潔度上均優於 9 月發布的 V4.1-Flash，並稱之為性能與成本的帕累託改進。同時，DeepSeek 也向所有開發者開放了搜尋與擷取 API。對代理建構者而言，這意味著更便宜的編碼模型加上單一 API 金鑰即可使用的第一方網路層。重點摘要：骨架參數 552B，另加 196B 的 Engram 參數；預填充階段每 token 啟用 8B 參數，解碼階段啟用 16B 參數；上下文長度達 1M tokens，最大輸出 384K tokens。運行於 DeepSeek API 的 deepseek-flash 模型。9 月版的 V4.1-Flash 權重（763B 參數，FP8）採 MIT 授權。
2026年20款Jev替代方案：挑戰TypeSafe的決策模型
TypeSafe於2026年9月15日推出Jev，這是一款決策模型而非聊天機器人。使用者可定義允許的答案，Jev將回傳標籤、分數或是否的機率。約4週內，至少20款Jev替代方案相繼問世，來自Cloudflare、OpenAI、Perplexity、Liquid AI、AWS的Strands Labs及獨立開發者。本指南比較各方案在規模、授權、硬體、價格、Jev API相容性及已發布基準測試的表現。重點摘要：規模範圍從287M（GLiNER2.5-multi-Decide）到35B-A3B（Mapika Decider），Jev規模未公開。執行環境：Von和Laya等編碼器可在CPU上運行，4B適配器適用24 GB GPU或32 GB Mac。效能：多數開源模型在困難推理上落後Jev，但在狹窄分類任務上數款與之匹敵或超越。最佳表現：Cloudflare Clef在BANKING7取得94.20分。
長鑫科技市值兩月內跌去1萬億；阿里加碼AI硬件品牌，天貓、速賣通聯動；國行版蘋果AI有望12月上線，百度、阿里參與合作丨雷峰早報
要聞提示1.長鑫科技市值兩月內跌去1萬億2.年內已至少18次故障！DeepSeek發放宕機補償，有人拿到3000元3.阿里加碼AI硬件品牌，天貓、速賣通聯動4.國行版蘋果AI有望12月上線，百度、阿里參與合作5.可靈AI新一代模型Kling 4.