2026年，字节Seed完成一轮面向产品化的组织调整。年仅30岁、博士毕业两年的秦禹嘉接过大旗，出任Product Posttrain-Work团队负责人。
该团队主要面向B端与办公场景，致力于将Agentic模型深度整合进产品，提升任务规划、工具调用及最终交付的稳定性。其核心目标是满足客户简洁明了的需求：用户只需提供资料，Agent即可明确任务、进行长程规划、自动补全信息、精准调用工具，并交付可直接使用的结果。
从WebCPM让模型像人一样搜索组织材料，到ToolLLM学习组合上万种API，再到UI-TARS实现看懂屏幕、操作键鼠，秦禹嘉的研究始终围绕一个核心：模型能否在外部环境中连续采取正确行动。
校园科研：从“读懂解释”走向“自主探索”
早期的自然语言处理研究中，模型往往依赖简单的标签判断，缺乏对判断依据的理解。秦禹嘉参与的一项早期研究聚焦于此：能否将标注者的自然语言解释转化为模型可学习的规则，使其在面对措辞不同但语义相近的新句子时，仍能借助解释做出准确判断？
2016年进入清华大学电子信息科学与技术专业后，秦禹嘉于2019年赴南加州大学访问研究，参与完成了ICLR 2020论文《Learning from Explanations with Neural Execution Tree》。该研究尝试将自然语言解释转换为模型可用规则，并有趣的是，他与另一位作者王子祺因贡献相同，通过抛硬币决定了共同第一作者的署名顺序。
本科毕业后，秦禹嘉在清华攻读计算机博士，并在微信Pattern Recognition Group担任研究实习生。随后，他转向更基础的问题：如何让模型在不从头训练的情况下，持续吸收新数据并保留已有知识。2021年的《Knowledge Inheritance》和2022年的《ELLE》正是这一方向的成果，标志着其研究从理解自然语言解释深入到高效获取与更新知识。
2022年，秦禹嘉的研究方向正式转向“工具学习”，核心问题变为：当模型缺乏完成任务所需的信息或能力时，能否主动寻找并使用工具？
技术突破：构建模型的检索与执行能力
WebCPM：记录人类寻找答案的过程
2023年，秦禹嘉作为第一作者发表WebCPM论文。该研究并未直接将问题和答案交给模型，而是记录了人类寻找答案的全过程。针对需要查阅多份资料才能回答的问题，WebCPM让标注者在使用网页搜索界面时，留下搜索、浏览和组织答案的操作记录。
通过整理5,500组问答、125,954条支持事实及121,330次网页搜索动作，WebCPM将原本隐性的检索过程转化为可观察、可训练、可评测的行为数据。这使得模型能够学习在意识到信息缺失时主动向外寻找，并在获取材料后判断哪些内容值得纳入最终答案。
图片来源：WebCPM论文中的人工搜索界面，ACL Anthology
ToolLLM：从查找信息到调用服务
解决“找到信息”的问题后，下一步是“调用外部服务完成任务”。2023年，秦禹嘉与梁时浩共同发表的ToolLLM搭建了一套涵盖数据构建、模型训练、API检索及评测的工具学习框架，覆盖16,464个真实世界REST API和49个类别。
ToolLLM的关键创新在于处理调用失败的情况。它设计了搜索不同执行路径的方法，当一次调用未能推进任务时，模型能够回退并尝试另一条路径。秦禹嘉将这一过程概括为：理解指令、制定计划、调用工具、接收环境反馈、修正行动。这不仅要求模型能发出调用，更要求其在首次调用未果时仍具备后续处理能力。
图片来源：ToolLLM论文中的ToolBench构建与训练流程
UI-TARS：从API接口到图形界面
虽然API有明确的文档说明，但普通用户更多面对的是网页搜索框、表格单元格和文件夹等图形界面（GUI）。要让AI真正替人完成任务，必须让其看懂屏幕内容并执行点击、输入等操作。
秦禹嘉参与的UI-TARS研究将模型的行动空间从结构化API推进至图形界面。作为原生Agent，UI-TARS以屏幕截图为输入，不依赖预设页面结构，而是通过识别界面元素、判断下一步行动，利用鼠标和键盘完成任务。该模型在感知、定位及GUI任务执行等10多个基准上取得了领先表现。
随着能力提升，安全风险也随之增加。GUI Agent可能面临点错按钮、误读权限或在未授权区域行动的风险。秦禹嘉指出，GUI能力的后训练数据需与潜在滥用风险一起权衡，确保模型在用户授权范围内行动。
图片来源：UI-TARS论文中的GUI任务执行示例
创业实践：从“知识创作”到“行为创作”
2024年1月，秦禹嘉成立北京序智科技有限责任公司，旨在将专家的工作方法转化为可执行任务的Agent。以撰写行业研究报告为例，资深研究员具备确定问题、比较来源、剔除过时数据、追查证据不足处并最终成文的完整方法论。序智科技的目标是让专家将这些方法教给Agent，解决专业经验难传授、复杂任务需人反复拆解执行的痛点。
公司致力于实现专家创建的Agent和工作流的可分享、复用甚至交易，推动从“知识创作”向“行为创作”的转变。这一理念很快获得资本认可，序智科技完成千万级人民币天使轮融资，投资方包括英诺天使基金和水木清华校友种子基金。
入职字节Seed：执掌工作Agent业务
2024年7月，秦禹嘉加入字节Seed，研究方向聚焦于基于大语言模型和视觉语言模型的Agent。2026年8月，随着Seed组织架构调整，秦禹嘉担任新成立的Product Posttrain-Work团队负责人。
该团队主要服务B端应用，负责Agentic模型的整合与发布，针对办公场景优化模型能力，支持豆包及海外版Dola的任务模式。与面向C端对话的Chat团队不同，Work团队重点关注用户发出指令后，模型如何稳定地规划、执行并交付结果。
这一职责与此前Seed发布的模型方向高度契合。Seed2.1在项目规划、文档处理、工具使用和结果整合等方面，强调现实工作流中的交付质量，而非仅关注静态基准分数。对秦禹嘉而言，这是其过往几条研究线在产品层面的首次交汇：模型不仅要理解资料、使用工具、应对界面变化，更要在任务模糊、工具可能失败的真实环境中，完成让用户敢于直接使用的交付物。
相较于实验室中的benchmark评分，实际使用才是更有意义的评测。对Agent而言，真正的价值不在于完成一次漂亮的演示，而在于能在复杂的工作流程中交出用户可信、可用的结果。
