Агентская мультимодалка спустя те же 14 месяцев: закрыли ли разрыв, который не закрыла унификация? В прошлом посте закончили на том, что агент-оркестратор с двумя специализированными моделями решает те же задачи, что и BAGEL-стайл унификация. За те же 14 месяцев это направление тоже не стояло на месте. Разберём, где мультимодальность нужна по существу задачи, где агенты её вытягивают. Где мультимодальность реально нужна и агенты её вытягивают ▶️ Знание-ориентированная генерация. Чистые T2I не знают счёта NBA-финала, курса акций на дату, как выглядит малоизвестное лого. Gen-Searcher через web- и image-search даёт Qwen-Image +16 пунктов на KnowGen и +15 на WISE. Mind-Brush вытягивает Qwen-Image с 0.02 до 0.31 на своём Mind-Bench. ▶️ Reasoning-heavy генерация. Задачи, где ответ надо сначала посчитать, а потом отрендерить — математика, лабиринты, геометрия. Mind-Brush +27.3% на RISEBench. GenAgent поверх FLUX.1-dev — +23.6 на GenEval++ и +14 на WISE. ▶️ Композитный редактируемый выход. Слайды, баннеры, инфографика. BannerAgency — 4-агентный пайплайн, отдающий готовый Figma/SVG вместо растра. Ни одна T2I этого не умеет и не будет. ▶️ Multi-reference блендинг и multi-turn. Qwen-Image-Agent с фидбек-луп и памятью на IA-Bench вытягивает Qwen-Image-2.0 с IA-score 17.4 до 45.4, обгоняя Nano Banana Pro 42.6 и GPT-Image-1.5 35.7. Что делает западный бигтех Все они катят агентские фичи (tool use, реальный поиск, ризонинг, оркестрация приложений), а не BAGEL-стайл единую модель. - Google. Nano Banana Pro: grounding through Google Search as a tool плюс thinking-режим — модель генерирует до двух промежуточных картинок и уточняет композицию, прежде чем выдать финальную. До 14 референсных изображений в одном шоте. - OpenAI. Responses API документирует явную tool-архитектуру. Основная модель сама решает, когда позвать GPT-Image-1.5/2 — это буквально генератор как тул. - ByteDance. Seedream 5.0 официально позиционируют как "Real-Time Web Search + Intelligent Logical Reasoning", запуск в Jimeng AI, Jianying, CapCut. - Adobe. Firefly AI Assistant описан самим Adobe как "creative agent" и оркестрирует Photoshop, Premiere, Lightroom, Illustrator, Express и Firefly из одного промта, используя 60+ инструментов пакета. То есть ни одна BAGEL-стайл унифицированная модель как будто в прод не отгружена. На мой вкус Разрыв, который не закрывала унификация, агенты закрыли. Выигрыш достаётся там, где мультимодальность нужна по существу задачи (граундинг знаниями, композитный выход, референс-блендинг, многотуровое редактирование). Ботлнек сместился: раньше "модель не умеет", теперь "оркестратор всё решает, но он платный и закрытый". Интересно, что случится с этим балансом, когда открытые MLLM догонят GPT-5.5.