在科技界的矚目之下，火山引擎于上海成功舉辦了FORCE原動力大會·冬，此次大會不僅見證了技術(shù)的飛躍，更成為了豆包大模型家族全面升級的重要里程碑。其中，全新發(fā)布的豆包視覺理解模型無疑是全場焦點，其卓越的表現(xiàn)令人嘆為觀止。
豆包視覺理解模型憑借其出眾的內(nèi)容識別、理解與推理能力，以及細(xì)膩的視覺描述，為大模型領(lǐng)域樹立了新的標(biāo)桿。它如同一雙智慧之眼，讓大模型得以洞察現(xiàn)實世界，極大地拓展了人機(jī)交互的邊界與應(yīng)用范疇。在智源研究院的最新評測中，豆包視覺理解模型在視覺語言模型領(lǐng)域榮獲全球第二，僅次于GPT-4o，尤其在中文通用知識與文字識別方面，展現(xiàn)出了顯著優(yōu)勢。
豆包視覺理解模型的發(fā)布，正如生物進(jìn)化中的眼睛對于物種爆發(fā)的重要性，為人工智能生態(tài)的多元化與豐富性奠定了堅實的基礎(chǔ)。其領(lǐng)先的內(nèi)容識別能力，不僅能準(zhǔn)確識別圖像中的物體、形狀與類別，更能深入理解物體間的關(guān)系、空間布局及場景意義。例如，在發(fā)布會演示中，模型能依據(jù)影子形狀識別動物，通過光線景象判斷丁達(dá)爾效應(yīng)，甚至對陌生物品進(jìn)行拍照識別。
豆包視覺理解模型還具備行業(yè)領(lǐng)先的OCR能力，可精準(zhǔn)提取圖片中的文本信息，無論是純文本圖像、日常圖像還是表格圖像，都能游刃有余。它還能基于指令進(jìn)行視覺內(nèi)容識別，對中國傳統(tǒng)文化信息有著深刻理解。而模型的理解與推理能力更是強(qiáng)大，能輕松應(yīng)對復(fù)雜圖片推理任務(wù)，如表格圖像、數(shù)學(xué)問題、代碼圖像等，同時支持參考問答、總結(jié)摘要及數(shù)學(xué)、邏輯、代碼推理。
豆包視覺理解模型的細(xì)膩視覺描述能力同樣不容小覷。它能基于圖像信息，細(xì)膩描述圖像內(nèi)容，并根據(jù)圖像狀態(tài)進(jìn)行多種文體創(chuàng)作，如產(chǎn)品介紹、宣傳文章、視頻腳本、故事詩歌等。例如，企業(yè)可借助模型為文創(chuàng)產(chǎn)品創(chuàng)作暖心祝福語，或根據(jù)指令對畫面細(xì)節(jié)進(jìn)行描述，甚至根據(jù)多張美食圖片剖析菜品特色，撰寫美食與餐廳點評。
火山引擎在此次大會上還宣布，豆包大模型家族迎來全面升級。豆包通用模型pro已對齊GPT-4o，使用價格僅為后者的1/8；音樂模型從生成60秒簡單結(jié)構(gòu)升級至3分鐘完整作品；文生圖模型2.1版本則首次實現(xiàn)了精準(zhǔn)生成漢字與一句話P圖的產(chǎn)品化能力。豆包3D生成模型也首次亮相，與火山引擎數(shù)字孿生平臺veOmniverse結(jié)合，成為支持AIGC創(chuàng)作的物理世界仿真模擬器。
字節(jié)跳動在大會上透露，2025年春季將推出具備更長視頻生成能力的豆包視頻生成模型1.5版，以及豆包端到端實時語音模型，解鎖多角色演繹、方言轉(zhuǎn)換等新能力。自今年5月發(fā)布以來，豆包大模型快速迭代，已成為國內(nèi)最全面、技術(shù)最領(lǐng)先的大模型之一，廣泛應(yīng)用于智能終端、汽車、金融、消費(fèi)和互聯(lián)網(wǎng)等領(lǐng)域。
火山引擎總裁譚待在會上表示，豆包大模型雖然發(fā)布較晚，但一直在快速迭代進(jìn)化，目前日均tokens使用量已超過4萬億，較首次發(fā)布時增長了33倍，這標(biāo)志著豆包大模型的能力正在被C端市場充分驗證，大模型應(yīng)用正加速向各行各業(yè)滲透。與眾多行業(yè)客戶的共創(chuàng)合作，讓豆包大模型在智能終端、汽車、金融、消費(fèi)等領(lǐng)域大放異彩，與八成主流汽車品牌合作，覆蓋終端設(shè)備約3億臺，調(diào)用量在半年內(nèi)增長100倍。
