Seed1.8 Model Card: Towards Generalized Real-World Agency
深度解读报告

单一模型整合感知—推理—行动 · 统一 agentic 接口 · 可配置思考四档 · 经济价值场景导向评测

ByteDance Seed arXiv:2603.20633v3 [cs.AI] 2026-04-17 Model Card（纯评测型）批次 B2_P2 · Seed1.8 条目

数据依据与错位警示：本报告全部数字取自同目录《00-源数据提取.md》§3/§4/§5/§6 表格。原 Model Card 正文叙述与表格存在系统性错位（正文 GAIA 93.2 vs Table 4 实为 76.7 等），本报告一律以表格为准并显式标注口径。

摘要

Seed1.8 是字节跳动 Seed 团队发布的旗舰模型卡，核心命题是"单一模型内整合感知—推理—行动"：以统一 agentic 接口覆盖搜索、代码生成执行与 GUI 交互，替代任务专用 pipeline 拼装。模型提供 no_think 至 think-high 四档思考模式，主结果以 think-high 报告。评测显示：复杂指令跟随全面领先（Collie-Hard 99.0*、EIFBench 66.7 对 GPT-5 47.0）；多模态与视频密集登顶（ZeroBench 11.0、DA-2K 90.7、OVBench 65.1 等 SOTA）；GUI Agent OSWorld 62.9 创家族新高（较 Seed1.5-VL +26.2）；DeepConsult 57.2 远超 GPT-5 的 38.3；并行思考将 AIME-25 从 94.3 推至 97.3。短板同样清晰：数学/代码居第一梯队但非第一（AIME-25 94.6 对 Gemini-2.5-Pro 95.0*），知识型视频理解与 agentic coding 落后至少一个竞品，且全文无架构与训练披露。本文从问题定位、概念内核、方法拆解、证据链、批判分析与行业启示六个维度展开解读。

一、问题定位

1.1 文档性质：纯评测型 Model Card

Evaluation 占 p2–10，用例占 p11–18，附录评测体系 p29–41；不公开参数量、架构、数据构成与训练成本。写作目的是向市场声明该模型在"真实世界通用代理能力"上的坐标位置，而非学术论证。

1.2 核心命题

对立面是传统"感知/检索/规划/执行多模块 pipeline 拼装"。Seed1.8 主张由一套权重原生承载 agentic 闭环，评测设计处处验证：端到端能力是否达到甚至超越专用拼装方案。

1.3 评测坐标系

对比对象为第一梯队全谱系：GPT-5(-high)、GPT-5.1(High)、Claude-Sonnet-4.5、Gemini-2.5-Pro、Gemini-3-Pro；纵向对照前代 Seed1.5-VL 与 Seed1.6——不与二线模型比较，直接在最强对手集合中寻找反超点。

1.4 阅读约束

主结果默认 think-high 档位，背后有较高测试时计算开销；
部分最佳成绩依赖工具增强（crop-box、VideoCut）或 * 号外部转引设置；
正文叙述与表格数字系统性错位，引用必须回到表格核对。

二、概念内核

2.1 统一 agentic 接口三支柱

搜索：信息聚合 + 证据合成，自主决定查询、交叉验证与停止时机；
代码中心执行：以解释器为通用行动介质完成结构化计算与工具编排——IMO-AnswerBench 带工具设定下 76.0 对 Claude-Sonnet-4.5 57.5 是其直接体现；
原生视觉感知：截图/文档/图表/视频直接驱动 GUI 操作，覆盖无 API 场景。

2.2 思考可配置性：测试时计算换质量

no_think / think-low / think-medium / think-high 构成质量—延迟—成本旋钮。关键证据：NoThink 下 MMMU-Pro 65.4（前代 Seed1.6 61.0、GPT-5.1 仅 43.5）；EMMA NoThink 50.1 已超前代 High 档 48.1。"不思考也够用"的下限被大幅抬升，快慢之间不再断崖。

2.3 并行思考：扩展难题上限

多条思考路径并行展开后聚合中间结果。Table 7：AIME-25 94.3→97.3、HMMT 96.7、HLE-full 21.4→25.6——test-time scaling 被做成正式交付特性。

2.4 经济价值场景导向的评测哲学

Appendix A 三原则：用户体验优先（对标 ChatGPT 用例分布）、转向真实场景（Economically Valuable Fields）、推进智能边界。内部 6+3 基准支撑主张：客服 Q&A 63.4 对 GPT-5 59.4，教育/客服/意图识别对三大竞品保持优势或持平。

2.5 视频交互重定义

流式视频在 1FPS 连续帧上三状态切换——即时应答 / 静默跟踪 / 视觉主动介入，回答可被新帧打断并动态续写；VideoCut 允许指定时间戳与 FPS(1–5) 重采样回放实现慢动作审视。视频从"一次性输入"变为"可持续操作的交互环境"。

三、方法拆解

3.1 评测组织方式

按"语言基础(Table 1) → 视觉(Table 2 图像/Table 3 视频) → Agentic(Table 4/5) → 效率(Fig.1–4/Table 7)"四层递进，每个数字携带明确条件标签（有无工具/思考档位/流式设定）。

3.2 工具增强的双刃剑

工具	基准变化	机制本质
crop-box（GUI grounding）	ScreenSpot-Pro 36.2 → 73.1	"假设—裁剪—验证"主动视觉循环
VideoCut（时间戳+FPS 重采样）	CGBench 62.4 → 65.9	高帧率细节捕获与慢动作审视
	LVBench 73.0 → 78.9
	ZeroVideo(101题) 6.9 → 18.8，反超 Gemini-2.5-P 8.9 / Gemini-3-P 14.3

方法论含义：裸感知触顶后，"模型调度感知工具"成为新增益来源——但跨模型公平比较更依赖工具设定的透明披露。

3.3 自研基准群的设计逻辑

基准	规模/形态	针对盲区
MM-BrowseComp	224 题	多模态浏览型深度检索
WideSearch	200 题	多实体横向搜索的一致性导向
AInstein-SWE-Bench	量子化学/量子计算/天体物理/HPC	科研级 fail-to-pass 生产库修复
U-Artifacts	199 例	GUI 操作残留 artifact 检测
DiscoX	篇章级中英翻译	超越句段的语篇翻译质量
XpertBench	200+ 领域专家、140+ 任务类型	rubric 评审的专家任务
WorldTravel	150 题，单题 10–20+ 耦合约束	多模态×运筹级旅行规划，人类专家均值 1.5h

WorldTravel 判分设计精巧：hard-to-solve（人类专家 1.5h+）保证区分度，easy-to-verify（行程程序化校验）保证自动评分可行——工程化化解"既难又可判分"矛盾。

3.4 效率多维评测

视频理解：32K token 预算表现超过 Seed1.5-VL 在 80K 预算下的水平（Fig.3）；
BrowseComp unlimited 档随步数稳步升至 67.6@150 步，low/medium 档 50 步内分别 45.0/55.0（Fig.4 效率曲线口径）——同一模型内部清晰的"预算换成功率"Pareto 前沿。

3.5 用例章叙事功能

六大用例（旅行规划/专家任务/科研任务/科研软件工程/122 步 GUI 案例/agentic 视频交互）承担能力可信度叙事：证明表格高分可兑现为长链条真实任务。

四、证据链

4.1 语言基础：第一梯队，非全面登顶

基准	Seed1.8	最强对手	解读
AIME-25	94.6	Gemini-2.5-P 95.0*	差 0.4 分（*外部转引）
BeyondAIME	74.0	G2.5-P 83.0	难分布差距拉开至 9 分
AMO-Bench	50.0	G2.5-P 64.0	极难档明显落后
LiveCodeBench v6	87.0	G2.5-P 90.7	竞争性落后
GPQA-Diamond	85.7	G2.5-P 91.9	落后 6.2
Collie-Hard	99.0*	G2.5-P 95.5	复杂指令登顶
EIFBench	66.7	GPT-5 47.0	领先近 20 分
InverseIFEval / MultiChallenge	78.9 / 69.6	第二档首位	复杂 IF 全面强势
MMLU / MMLU-pro	93.8 / 87.2	持平一线	知识面无短板
IMO-AnswerBench（带代码工具）	76.0	Claude-S-4.5 57.5	数学工具化解题优势显著

4.2 视觉理解：对 Gemini-3-Pro 贴身反超

ZeroBench(main) 11.0（G3-P 10.0）；VLMsAreBiased 62.0（G3-P 50.6，领先 11.4）；DA-2K 90.7（G3-P 82.1）；OmniDocBench1.5 NED↓ 0.106（G3-P 0.115，自家前代 0.152）；MMLB-NIAH 128k 72.2（G3-P 70.5）。多个细分榜反超最新 Gemini-3-Pro，文档理解较前代进步显著。

4.3 视频理解：感知强、知识弱两极

动态感知域：TOMATO/EgoTempo/Countix 60.8/67.0/31.0，六项中五项 SOTA；
流式域：OVBench/LiveSports-3K/OVOBench 65.1/77.5/72.6 全部 SOTA；
知识型落后：VideoMMMU 82.7 对 G3-P 87.6；TOMATO 60.8 距人类 95.2 差距巨大（作者自认）。

4.4 Agentic：深研写作登顶，编码中游

深研写作三项全第一：DeepConsult 57.2（GPT-5 38.3，领先 18.9）、DRB 48.7、DiscoX 75.1；
金融检索 FinSearchComp(T2&T3) 64.5（GPT-5 58.6）；XpertBench Fin/Edu/Res/Hum 64.5/56.9/48.2/68.5 均第一；
agentic coding 中游：SWE-V 74.9（GPT-5 77.2）、TerminalBench2.0 35.2（G2.5-P 54.2，差近 19 分）；
搜索类以 Table 4 为准：GAIA 76.7、BrowseComp-en 54.9、BrowseComp-zh 63.0、MM-BrowseComp 27.7。

4.5 GUI Agent：桌面新高，移动待补

OSWorld 62.9 登顶（O3 61.9；较 Seed1.5-VL 36.7 提升 +26.2，家族四代最佳）；AndroidWorld 56.0 落后 Claude-S-4.5 69.7 与 O3 70.7，官方以未公开内部移动集占优作补充辩护。

4.6 测试时扩展与安全

并行思考（Table 7）：AIME-25 94.3→97.3、HMMT 96.7、HLE-full 21.4→25.6。安全侧 AIR-Bench 较前代提升、XSTest 保持高可用性。

4.7 证据强度评级

最强：多模态感知、流式视频、深度咨询写作、复杂指令跟随（多基准一致+幅度大）；次之：GUI 桌面、金融检索、专家任务（部分依赖内部基准或工具增强）；弱势域证据反而最可信——敢于并列展示对手更高数字，是加分行为。

五、批判性分析

5.1 最严重缺陷：正文与表格系统性错位

Agentic Search 段落正文声称 GAIA "highest (93.2)"、BrowseComp-en 67.6、BrowseComp-zh 78.5、MM-BrowseComp 46.3，但 Table 4 实为 76.7 / 54.9 / 63.0 / 27.7；正文数值恰与竞品列部分重合（如 G3-P 行 87.4/67.6/81.3/46.3）。Education/CustomerSupport "best performance" 声明亦与 Table 1 不符（表中 Gemini 更高）。成因或为排版串列/版本混叠，但后果确定：取自正文的二手引用必传播错误数字。处理原则：一律以表格为准并交叉核对。

5.2 可复现性结构性缺失

无参数量/架构/数据配方/训练成本披露，成绩无法独立复现；自研基准群（ZeroVideo/U-Artifacts/XpertBench/WorldTravel 等）缺乏外部可获取性与第三方复核，"自己设计的考场"天然带有利偏差风险，判分器本身未经外部审计。

5.3 工具增强与可比性边界

ScreenSpot-Pro 36.2→73.1、ZeroVideo 6.9→18.8 均发生在启用专属工具之后；Collie-Hard 99.0 与对手 AIME-25 95.0 带 * 号。条件虽已标注，传播中极易被剥离条件误读为裸模型能力——跨模型比较必须锁定"是否同等工具"变量。

5.4 弱势域的实质含义

知识型视频：感知通路强 ≠ 知识整合强，视频教学/学科问答仍是 Gemini 主场；
agentic coding（TB2.0 35.2 vs 54.2）：与其"代码中心执行"支柱形成张力——代码作解题介质强（IMO-AB 76.0），作工程项目载体仍弱；
移动端（56.0 vs 70.7）：桌面突破未迁移到消费级最大入口的移动生态。

5.5 评测哲学潜在循环性

"对标 ChatGPT 用例分布"使评测分布向头部产品画像对齐，利于证明经济效用但可能低估长尾专业场景；Economically Valuable Fields 内部基准既是特色也是闭环（客服 63.4 vs 59.4 目前只能单向采信）。

六、启示与影响

Model Card 演变为战略评测叙事：谁定义考场谁掌握话语权。WorldTravel 的 hard/easy 判分设计、XpertBench rubric、AInstein-SWE 生产库 fail-to-pass 代表基准设计最新工艺，但封闭性呼唤第三方中立基准制衡。
单模型 agentic 闭环获实证背书：OSWorld 62.9、DeepConsult 57.2、流式三状态切换展现对 pipeline 拼装的竞争力——中间编排层价值将被上游吸收，框架护城河需向企业权限/持久记忆/领域工具链迁移。
效率成为一等公民指标：NoThink MMMU-Pro 65.4、EMMA 50.1 超前代 High、视频 32K 预算胜前代 80K——竞争主战场从"最高分"转向 Pareto 前沿整体占优。
主动视觉与工具调度是新增益引擎："模型学会调度自己的感知"比"感知变强"边际收益更高，GUI grounding 与长视频的下步竞赛将围绕工具策略自动化展开。
方法论警示：引用 Model Card 必须落到表格行、核对条件标签（档位/工具/*号）；对自研基准持"设计合理但未经外部验证"双重判断；对经济效用叙事追问判分器独立性。
竞争格局速写：Gemini-3-Pro 守多模态感知与知识型视频（VideoMMMU 87.6、GPQA-D 91.9）；GPT-5 守 agentic coding（SWE-V 77.2）；Claude-S-4.5 守移动 GUI（69.7）；Seed1.8 在复杂指令、流式视频、深研写作、中文 GUI、效率前沿五个切面插旗——多极并存、各有主场。

附：数字速查与自检说明

家族纵向（关键跃升）

指标	Seed1.5-VL	Seed1.8	幅度
OSWorld	36.7	62.9	+26.2
OmniDocBench NED↓	0.152	0.106	−0.046
MMMU-Pro（NoThink）	Seed1.6 61.0 → Seed1.8 65.4		+4.4

争议数字对照表

条目	正文声称	表格实值（本文采用）
GAIA	93.2 ("highest")	76.7（Table 4）
BrowseComp-en	67.6	54.9（Table 4；67.6 为效率曲线 Fig 口径另注）
BrowseComp-zh	78.5	63.0（Table 4）
MM-BrowseComp	46.3	27.7（Table 4）

自检说明

本文件为单文件 HTML 报告：UTF-8 编码无替换字符；全部样式内联于 <style>，无外部依赖；数字高亮统一使用 span.num / span.sota；章节结构为摘要+六节+附录共 8 卡片，与 MD 版《01-深度解读.md》一一对应。生成后已执行 div 开闭平衡校验。