Doubao, der Terminator im KI-Modellwettlauf, beginnt, Agenten dazu zu befähigen, „selbstständig Büroarbeit zu verrichten“
Auf dem Gebiet der Büro-Agenten haben Alibaba, Tencent und Baidu bereits direkt aufeinandergetroffen, und nun kann ByteDance endlich nicht mehr länger zurückhalten.
Berichten zufolge hat ByteDance das gesamte Team von TRAE und Coze in das Doubao-System integriert und gleichzeitig den Bereich „Arbeit“ aus Doubao herausgelöst, um das unabhängige KI-Büroprodukt „Doubao Work“ bereits in dieser Woche auf den Markt zu bringen. Dem Bericht nach ist der genaue Termin auf den 29. August festgelegt.
Tatsächlich gibt es für diese Anpassung bereits vorherige Anzeichen.
Vor einem Monat, am 30. Juli, wurde das Produktteam von Feishu gerade mit Doubao zusammengelegt. Der Leiter von Feishu, Xie Xin, berichtet nun an den Leiter von Doubao, Zhao Qi, und Feishu wurde von einem der sechs unabhängigen Geschäftsbereiche von ByteDance zu einem Fähigkeitsmodul hinter Doubao herabgestuft.
Doch dieses Mal geht ByteDance noch einen viel größeren Schritt voran.
Doubao hat in der vergangenen Woche mehrere Aktualisierungen vorgenommen, darunter die Fernsteuerung des Computers über das Handy, einen virtuellen Windows-Desktop, einen Fähigkeitenshop, Konnektoren und Arbeitspartner, und hat auf einen Schlag mehr als 200 Fähigkeiten hinzugefügt. Betrachtet man dies nun, so handelte es sich dabei um eine Generalmobilisierung vor dem Kampf.
Aber andererseits: Warum muss der Arbeitsmodus von Doubao überhaupt herausgelöst werden?
Es gibt viele Gründe dafür. Auf Produktebene ist das aktuelle Doubao zu überladen: Von der Erstellung von Bildern und Videos bis zum Telefonieren, Cloud-Speicher und Browser … das ursprünglich schlichte UI-Design ist nicht mehr schlicht, und die wichtigen Eigenschaften, die für Büroszenarien angestrebt werden, werden verwässert.
Auf der anderen Seite wurde bereits im Juni im offiziellen Blog zu Seed 2.1 mitgeteilt, dass „Seed for Seed“ die Entwicklungsrichtung des Entwicklungsteams ist.
Im aktuellen Stadium kann diese technische Richtung nur umgesetzt werden, wenn Doubao Work herausgelöst und mit TRAE und Coze kombiniert wird.
1
Wenn Sie Doubao öffnen, ist das erste, was Sie sehen, immer die vertraute Hauptdialogoberfläche. Um zum Bereich „Arbeit“ zu gelangen, müssen Sie ihn über die Seitenleiste aufrufen. In der Produktarchitektur von Doubao war „Büro“ schon immer ein Anhängsel und kein Hauptszenario.
Aus Sicht der Nutzer ist Doubao zunächst eine KI für Chats und erst in zweiter Linie ein Werkzeug für die Arbeit.
Obwohl Doubao sehr sympathisch wirkt, fühlt es sich im Büroszenario immer so an, als wäre eine Barriere dazwischen. Büronutzer wollen aber „direkt anfangen zu arbeiten“, nicht „zuerst ein paar Worte chatten und dann manuell in den Arbeitsmodus wechseln“.
Doch selbst wenn man den Arbeitsbereich als Eingang der ersten Ebene einrichtet, kommt man nicht um ein anderes, grundlegenderes Problem herum: Doubao ist zu „fett“.
In dieser App sind gleichzeitig Dialoge, PPT-Erstellung, Videogenerierung, Bildgestaltung, Datenanalyse … die Funktionsdichte ist unglaublich hoch. Wenn ein Büronutzer eine ernsthafte Aufgabe erledigen möchte, muss er erst in einem ganzen Universalschrank nach einem Schraubendreher suchen.
Büronutzer wollen einen fokussierten Arbeitsablauf, kein Gemischtwarenladen, in dem alles untergebracht ist.
Die Konkurrenten haben das schon längst verstanden.
Tencents WorkBuddy ist vom ersten Tag an ein unabhängiges Produkt mit einer eigenen Marke. Nutzer wissen sofort, wenn sie es öffnen, dass sie hier für Büroarbeiten kommen. Es wurde am 9. März für den Desktop veröffentlicht, und im selben Monat erreichte die monatliche Besucherzahl auf dem PC 8,85 Millionen. Im Juni überschritt sie 20,97 Millionen, was einem Anstieg um das 2,4-fache in drei Monaten entspricht.
Alibabas Qwen Büro wurde ebenfalls am 3. August in die öffentliche Beta-Phase gestartet, wobei zuerst der lokale Desktop-Client veröffentlicht wurde, später folgen die Webversion und die in DingTalk integrierte Version.
2026 wird in der Branche als das „Erste Jahr der Büro-Agenten“ bezeichnet. Die drei großen Konzerne sind bereits direkt aufeinandergetroffen. Wenn die Konkurrenten alle ihre unabhängigen Waffen vorgezeigt haben, kann ByteDance seine Hauptausrüstung nicht mehr in einer Chat-App verstecken.
Nach der Integration von Feishu in Doubao am 30. Juli erhielt Doubao Work mehr Rückhalt. Wenn Sie jetzt Feishu öffnen, steht Doubao an der auffälligsten Stelle, und die Nutzer sind bereit, Doubao in Feishu zu verwenden, schließlich ist Feishu schon immer auf Büroszenarien ausgerichtet.
Der ursprüngliche „Aily Intelligente Partner“ von Feishu wurde ebenfalls durch Doubao ersetzt.
Früher teilten sich der Büromodus und der Chatmodus von Doubao dasselbe Dialogfenster, und Funktionen wie Videogenerierung und Bildgenerierung waren alle darin untergebracht. Jetzt aber, wenn Doubao in den Arbeitsmodus wechselt, bleiben nur noch Projekte, Bestätigungen von Risikooperationen, Fähigkeiten und Konnektoren übrig.
Am 17. August wurde die Funktion zur Fernsteuerung des Computers über das Handy veröffentlicht: Man kann Dateien aus der Ferne über das Handy abrufen, selbst wenn die Dateien auf zwei Computern im Büro und zu Hause verteilt sind, kann man sie jeweils abrufen und zusammenführen.
Am 18. August folgte der virtuelle Windows-Desktop: Die KI führt Aufgaben in einem isolierten virtuellen Desktop aus, während Sie Ihren eigenen Computer normal weiterverwenden können, ohne dass sich die beiden gegenseitig stören. Im lokalen Modus verbleiben die Daten auf dem lokalen Gerät, im Cloud-Computermodus ist die Verbindung dauerhaft online – selbst wenn der Computer ausgeschaltet wird, laufen die Aufgaben weiter.
Am 20. August wurde die Seitenarbeitsplattform veröffentlicht: Rechts neben der Dialogseite befindet sich eine Reihe von mehreren Tabs, über die Sie lokale Dateien, Feishu-Dokumente, Online-Webseiten und Code öffnen können. Die KI-Dialoge und die praktische Ausführung laufen auf demselben Bildschirm ab, und die im Dokument generierten Inhalte werden direkt zurückgeschrieben, sodass das Kopieren und Einfügen entfällt. Offiziell wird dies als „Echtzeitsynchronisation und Speicherung“ bezeichnet.
Am 21. August wurden drei Funktionen auf einen Schlag veröffentlicht: Fähigkeitenshop, Konnektoren und Arbeitspartner. Auf der Plattform sind bereits mehr als 200 Fähigkeiten und Konnektoren verfügbar, und Sie können häufig verwendete Arbeitsschritte, Lieferstandards und Referenzvorlagen zu benutzerdefinierten Fähigkeiten zusammenfassen, die Sie wiederholt verwenden können.
Innerhalb einer Woche gab es fast täglich eine Aktualisierung.
Wie am Anfang erwähnt: Die häufigen Veröffentlichungen in dieser Woche sind eher eine Generalmobilisierung vor dem Kampf als eine einfache Produktiteration.
Alle Schlüssel sind bereits bereit. Die Tür wird bald geöffnet.
2
Der Mut, Doubao Work herauszulösen, kommt nicht von dem Produkt, sondern vom Modell.
Am 23. Juni wurde auf der Volcano Engine 2026 Summer FORCE Konferenz die Doubao Large Model 2.1-Serie (Doubao-Seed-2.1) offiziell veröffentlicht, die in zwei Versionen Pro und Turbo erhältlich ist. Sie wurde am selben Tag vollständig in Doubao und TRAE eingeführt, und die API wurde gleichzeitig auf Volcano Ark veröffentlicht.
Die offizielle Positionierung lautet „ein neuer intelligenter Agent für echte Produktivitätsszenarien“. Die wichtigste Veränderung liegt in den Bewertungsstandards: Ab Version 2.1 werden nicht mehr die üblichen statischen Benchmarks verfolgt, sondern die „Leistung im tatsächlichen Arbeitsablauf“ steht im Mittelpunkt.
Tan Dai, Präsident von Volcano Engine, erklärte: Nur wenn die Modellfähigkeit den „Punkt der qualitativen Veränderung“ überschreitet, kann sie die Anforderungen von Produktionsszenarien wirklich erfüllen.
Betrachten wir zuerst die messbaren Fähigkeiten: Im Agentenbereich erreicht Seed 2.1 Pro 87,9 Punkte bei GDPval, das den wirtschaftlichen Wert echter Arbeitsaufgaben misst. Zum Vergleich: GPT-5.5 erreicht 84,9 Punkte, Claude Opus 4.7 82,7 Punkte. Bei MCP-Atlas, das den Aufruf von MCP-Werkzeugen untersucht, erreicht es 83,8 Punkte und liegt damit ebenfalls über den Werten der beiden anderen Modelle.
Auf Mobilgeräten erreicht es 73,1 Punkte bei MobileWorld für GUI-Aufgaben auf dem Handy, was der höchste Wert unter allen teilnehmenden Modellen ist. Bei Agents‘ Last Exam liegt die vollständige Erfolgsquote bei 19,5 % und der Gesamtwert bei 41,9 %, was über dem Wert von Claude Opus 4.7 (40,5 %) liegt, aber unter dem von GPT-5.5 (47,9 %). Bei OSWorld erreicht es 0,788 und belegt damit den ersten Platz unter den 20 von llm-stats erfassten Modellen. Durch Verstärkungslernen wurde die durchschnittliche Anzahl von Schritten zum Abschließen von Aufgaben um 16 % reduziert.
Im Programmierbereich erreicht Terminal Bench 2.1 71,0 Punkte, was nahe an dem Wert von Claude Opus 4.7 (71,7) liegt. Bei SciCode für wissenschaftlichen Code erreicht es 59,8 Punkte und übertrifft damit GPT-5.5 (58,4). Bei NL2Repo-Bench für die Codegenerierung auf Repository-Ebene erreicht es 47,0 Punkte und liegt ebenfalls über GPT-5.5 (45,1).
Im Bereich des multimodalen Verständnisses erreicht es 86,4 Punkte bei CharXiv-RQ für das Verständnis komplexer Dokumente, 82,7 bei MMMU-Pro und 89,2 bei VideoMME für das Videoverständnis.
Aber das Problem ist: Wenn all diese Fähigkeiten in einer überladenen Chat-App versteckt sind, ist das für das Modell eigentlich schädlich.
In dem Technologie-Stack von Agenten gibt es ein Konzept namens Intent (Absicht), das fast dem entspricht, was wir im alltäglichen Sprachgebrauch als Absicht verstehen – es ist der Ankerpunkt der gesamten Ausführungskette.
Wenn ein Nutzer einen Satz eingibt, ist das Erste, was das Modell tut, nicht eilig zu antworten, sondern die Absicht zu bestimmen: „Was genau soll ich tun?“ Erst nachdem die Absicht bestimmt wurde, wird sie in Teilaufgaben unterteilt, Werkzeuge ausgewählt, Schritt für Schritt ausgeführt und schließlich überprüft und übergeben. Der gesamte Betrieb des Agenten basiert vollständig auf der Absicht.
Wenn die Absicht falsch ist, sind alle folgenden Schritte umsonst. Wenn die Absicht unklar ist, muss das Modell ständig raten, und Rechenleistung wird verschwendet, um „zu erraten, was Sie tun wollen“, während die Rechenleistung für jede Aufgabe begrenzt ist.
Die Haupt-App von Doubao hat genau den Nachteil, dass der Raum der Absichten zu groß ist.
Hinter einem einzigen Eingabefeld stecken nicht nur Dialoge, sondern auch Videos, Bilder, Telefonate, Cloud-Speicher und Browser.
Wenn das Modell den Satz „Erstelle mir daraus eine PPT“ erhält, muss es zuerst unter einer Menge von Absichten ausschließen: Soll etwas generiert werden? Soll etwas bearbeitet werden? Oder handelt es sich einfach um einen Chat, bei dem zufällig über PPT gesprochen wird?
Jedes Mal, wenn geraten werden muss, wird ein Teil des für die Arbeit vorgesehenen Inferenzbudgets verbraucht. Je überladener die Funktionen sind, desto schwieriger ist es, die Absicht zu bestimmen. Je mehr Energie das Modell auf das Raten verwendet, desto weniger Rechenleistung bleibt für die eigentliche Arbeit übrig.
Noch problematischer ist, dass Chat-Anwendungen die Absicht nicht speichern.
Beim herkömmlichen Chat gibt es eine Frage und eine Antwort, jede Runde ist unabhängig, der Kontext scrollt mit dem Fenster, und das Modell muss nicht dauerhaft für dieselbe Sache verantwortlich sein. Büroarbeiten sind aber langwierige Aufgaben: Wenn Sie zum Beispiel einen Bericht schreiben, müssen Sie Informationen recherchieren, Dokumente lesen, Diagramme ändern und iterieren – die Absicht muss den gesamten Prozess begleiten, und bei jedem Schritt muss man sich daran erinnern, „warum ich hier bin“.
Dafür ist die Dauerhaftigkeit des Aufgabenstatus erforderlich, der den gesamten Ablauf in einer unabhängigen Ausführungsumgebung umfasst. Chat-Apps sind aber von Natur aus darauf ausgelegt, „die Antwort zu geben und fertig zu sein“ – die Absicht überlebt keine Runde.
Auf einer tieferen Ebene geht es um die Ausrichtung: In welche Richtung sich das Modell weiterentwickelt, hängt davon ab, in welchen Szenarien es bewertet und trainiert wird.
Wenn es ständig in einer Chat-App Fragen beantwortet, entwickelt es sich in Richtung „gut im Chatten“. Nur wenn die Bewertungsstandards zu „Wurde die Aufgabe erledigt?“ und „Wurde sie gut erledigt?“ werden, entwickelt es sich zu einem „Agenten, der arbeiten kann“. Deshalb sind die Benchmarks, die im Juni bei der Veröffentlichung von Seed 2.1 vorgestellt wurden, alle auf Büro-Agenten bezogen.
Daher ist die Herauslösung eine Notwendigkeit auf technischer Ebene: Die Produktoberfläche sperrt die Absicht bereits vorab für das Modell. Der Nutzer betritt den „Arbeitsmodus“, und die Absicht ist von Anfang an „Arbeit erledigen“. Das Modell muss nicht mehr raten, und die unabhängige Ausführungsumgebung sorgt dafür, dass die Absicht bis zum Abschluss der Aufgabe beibehalten wird. Bewertung und Training können sich nun endlich auf die echten Arbeitsabläufe konzentrieren.
Die ultimative Richtung all dessen ist der Satz aus dem offiziellen Blog zu Seed 2.1: Seed for Seed.
Die Kernlogik lässt sich in einem Satz zusammenfassen: Das Seed-Modell soll als Agent an dem eigenen Entwicklungsprozess des Seed-Modells teilnehmen – also eine Selbstevolution.
Die herkömmliche Entwicklung von großen Modellen folgt dem Ablauf „Menschen entdecken Probleme → Menschen schreiben Code → Menschen führen Experimente durch → Menschen passen Parameter an“, der gesamte Zyklus ist sehr lang. Bei Seed for Seed nimmt das Modell selbst an der Diagnose, der Datensynthese, der Optimierung des Frameworks und der experimentellen Überprüfung teil. Viele Schritte können parallel automatisiert ausgeführt werden, was den Entwicklungszyklus verkürzt.
Der Entwicklungsprozess von Seed for Seed ist selbst ein extrem komplexes Szenario für Büro-Agenten. Das ist im Grunde dasselbe, wie wenn Nutzer mit Doubao Work Untersuchungsberichte erstellen, Konzepte schreiben oder Tabellen verarbeiten – nur mit höherer Komplexität.
Anders ausgedrückt: ByteDance hat intern bereits die große Modell-Version von „Doubao Work“ im anspruchsvollsten Wissensarbeitsszenario gestartet. Wenn ByteDance diese Fähigkeit zu einem Produkt macht und es normalen Nutzern zur Verfügung stellt, entsteht daraus das heutige „Doubao Work“.
Der Büro-Agent ist kein Produkt, das von Grund auf neu entwickelt wurde. Er ist der Ausgangspunkt, von dem aus die technischen Fähigkeiten von Seed for Seed abwärts kompatibel gemacht werden.
Umgekehrt können die riesigen Mengen an echten Nutzeraufgaben und Feedback, die der Büro-Agent sammelt, wiederum als Trainings- und Überprüfungsmaterial für Seed for Seed dienen.
So entsteht ein zweiseitiger Zyklus: Die interne Entwicklungsseite geht nach oben, das externe Büroszenario kommt nach unten, und beide Seiten verwenden denselben Agenten-Basiskern.