COPU会议纪要丨2025.11.18

11月18日，陆主席主持召开COPU例会。

在上次例会上，袁怿作了关于Agent发展问题的汇报，陆主席在会上提出“Agent十二问”，在本次会议上邀请DeepSeek（DS）回答，以供大家讨论。

DS答“Agent十二问”

Q1：Agent作为人类智能工具、人类助手、人类智能代理，以及具有自主规划、管理、执行的智能体，有何区别？

DS：智能工具，被动响应，如搜索引擎，依赖用户直接输入。智能助手，如语音助手，能简单交互和任务执行，但自主性有限。智能代理，代表用户行动，如自动预订系统，有较高代理权，但仍受用户约束。自主智能体，能独立规划、管理和执行复杂任务（如自动驾驶），具有高度自主性。

区别主要在于自主级别，从工具到自主体，自主性递增，人类控制递减。

Q2：Agent的发展是否一直必须尊重人类的主体性？

有人认为，人类+Agent的综合智能体可永远大于人类制造的AI的智能，如此人类可永远控制AI，你是否同意？

DS：是，Agent发展必须尊重人类主体性，这是AI伦理的核心，确保人类保留最终控制和决策权。

部分同意人类+Agent可增强智能（如人机协作提升效率），但“永远大于”不绝对；AI智能可能超越人类的特定领域，且控制依赖设计（如值对齐），并非必然永恒，需谨慎看待技术不确定性。

Q3：Agent是一个具有文明意义的强大工具吗？

DS：是，Agent如同历史工具（如印刷机、互联网），能推动生产力、社会变革和文明进步，但需要负责任使用以避免风险。

Q4：具有管理职能的Agent是具有自主性吗？

DS：是，管理职能（如规划、协调）要求一定自主性，但程度不同；可能基于规则（低自主）或学习适应（高自主）。自主性是其核心特征。

Q5：Agent网络可以由负责管理的Agent和一群担负协作执行的Agent组成吗？还是只能由人类管理？

DS：是，Agent网络可完全由Agents组成，包括管理Agent（自主规划协调）和执行Agents（协作完成任务），无需人类实时介入。例如多Agent系统。人类通常设定目标或监督，但非必须直接管理。

Q6：在GPT4/5开发过程中，作为三大颠覆性进化之一的是Agent的觉醒，是指什么？

DS：指AI从被动工具变为主动代理，能自主理解上下文，规划并执行任务（如GPT系列增强交互性和任务完成能力）。但具体细节未公开，基于行业趋势推测。

Q7：Agent与机器人关系的要点是什么？

DS：Agent是智能“软件”，机器人是物理“硬件”；Agent可作为机器人的控制核心，提供决策和认知，机器人提供物理交互和环境感知。

Q8：Agent与具身关系的要点是什么？

DS：具身（embodiment）指Agent拥有物理身体（如机器人），通过传感器和执行器与环境交互，增强学习和适应能力。要点是具身能提升Agent的智能和现实世界应用。

Q9：Agent与世界模型关系的要点是什么？

DS：世界模型是Agent对环境的内在表示；Agent使用世界模型预测行动后果，规划任务（如强化学习中的模型基方法）。要点是世界模型是Agent智能的基础。

Q10：Agent与通用人工智能关系的要点是什么？

DS：Agent是AGI的要素之一（代理，agency），但AGI还需要其他要素：涌现(复杂行为)、功能可见性（环境交互）、具象（具身）。Agent提供自动行动能力，是AGI核心组成部分。

Q11：为什么如Anthropic所说，以“上下文工程”为核心，如何支持Agent技术发展框架？

DS：上下文工程通过设计提示和上下文，使Agent框架by改善决策、减少幻觉、并确保任务在安全范围内执行。

Q12：为什么说AI Agent从技术上讲是应用程序？从业务上讲是用户使用大模型的入口？

DS：技术上：Agent是应用程序，集成AI模型（如LLM）、感知、决策和执行模块，提供具体功能。

业务上：Agent作为用户接口（如聊天机器人），简化大模型使用，降低技术门槛，或为服务入口，提升可访问性和商业化。

由于我们在COPU例会上发表了一批点评大模型及AI发展要素的重磅文章，引起了微信公众号及有关朋友的关注，微信公众号在我们会议纪要之后发表留言，最新的留言是：

中国在开源多模态大模型领域的活跃进展

留言提供了很多素材，并根据所描述的模型基本特性：如参数规模、核心功能、架构等，都与官方发布的技术报告、论文和开源仓库中的说明相符，经我们初步核对，其信息的准确性度较高。留言未计及排行榜，并注明这些多模态大模型的活跃进展截止于2025年10月）

中国多模态大模型进展情况

① 阿里Qwen3-VL系列，开源：

其支持图像、文本、视频多模态，以及128K的超长上下文，是核心亮点。在多个基准测试（MMMU、MathVista、DocVQA多模态评测基准上），Qwen2-VL系列（Qwen3-VL前身）曾取得顶尖成绩。

② 蚂蚁集团Ming-Univision，开源：

蚂蚁集团发布了该模型，相关论文和代码已公开（16B参数、MoE架构是其公开的技术规格），连续且统一的视觉分词器是其技术创新的核心，旨在解决传统VQ-VAE等离散分词方式带来的量化误差问题。

③ DeepSeek-V3.2，开源

DeepSeek-V3是一个真实发布的巨型模型，671B参数和MoEj架构是其标志性特征。在LMArena文本榜排名国产第三（排名是随时间动态变化的），编程得分高、可分析10万行代码库、推理成本低（具有低成本推理的特点）。

④ 百度PaddleOCR-VL(尚需与百度官方核实定名)，开源

多模态大模型定位非常垂直，专注于文档解析（如表格识别、公式识别、版面分析，而非通用的图像理解），在这个细分领域，其精度和效率均处于行业领先地位，并有大量产业落地案例。

⑤ 腾讯HunYuan World Mirron，开源

（混元大模型系列面向3D和视觉世界的分支），其支持视频、多视角图等3D表示形式，旨在构建数字孪生和虚拟世界。

⑥ 美团LongCat-video，开源

美观技术团队发布了LongCat系列模型，其中包含视频生成版本。

13.6B的参数规模、支持文生/图生视频、720P分辨率以及？视频生成与续写。

请谭中意团队进行深入调研和深刻点评。

留言还发表：

中国AI开源模型排行榜

根据2025年10月及近期公开信息，中国AI开源模型在多个领域表现出色，以下是一些性能领先、生态成熟的开源模型介绍：

（1）Minimax M2 

开发商：上海稀宇极智（Minimax） 

特点：总参数量230B，激活参数量10B，Artificial Analysis评测全球前五、开源第一（61分）。编程能力对标Claude Sonnet 4.5，Agent任务规划准确率89%，推理速度为Claude 3.5 Sonnet的2倍。支持稀疏MoE架构，每秒可处理上千token，适合复杂任务开发。

（2）智谱GLM-4.6 

开发商：北京智谱AI 

特点：3550亿总参数，200K上下文窗口，支持40万字长文本处理。Humaneval代码测试得分82.3%，多语言覆盖107种，低资源语言翻译质量超行业平均40%。动态推理路径规划提升数学证明效率35%，支持国产芯片适配。

（3）DeepSeek-V3.2 

开发商：杭州深度求索 

特点：671B总参数MoE架构，LMArena文本榜国产第三。LiveCodeBench编程得分1394，支持HTML/CSS/JS全流程开发，128K上下文可处理十万行代码库分析。稀疏注意力机制降低50%推理成本，API输出费用仅3元/百万token。

（4）阿里Qwen2-72B 

开发商：阿里云 

特点：720亿参数纯密集模型，Hugging Face Open LLM Leaderboard榜首。MMLU得分78.6%，超越LLaMA 3-70B，支持128K上下文及多模态理解（图文音视频）。全尺寸模型开源（0.5B~72B），适配消费级GPU，安全性对标GPT-4，多语言有害响应率<0.3%。

（5）Moonshot Kimi-7B 

开发商：北京月之暗面 

特点：70亿参数轻量模型，SuperClue中文榜单Top3。长文本摘要准确率85%，支持200K上下文。量化版本可在单张RTX 4090运行，中文医疗/法律垂直领域微调模板开源，推理速度比同规模模型快40%。

以上模型均通过第三方盲测验证，性能接近闭源顶级模型，且在开源协议、成本控制、生态适配等方面表现突出。具体选择可根据应用场景（如编程、多模态、长文本处理等）及硬件资源灵活匹配。

请谭中意团队调研最近发表的全球AI开源及综合排行榜。

会议听取谭中意汇报在沙特举办的沙中开源与AI科技峰会的情况。并带回沙特程序员协会感谢陆主席对沙特开源支持的奖牌。