在近日于上海舉行的FORCE LINK AI創新巡展活動中，火山引擎隆重推出了其最新的豆包1.5視覺深度思考模型（Doubao-1.5-thinking-vision-pro）。盡管該模型的激活參數僅為20B，但它展現出了卓越的多模態理解與推理能力，令人矚目。在多達60項的公開評測基準中，豆包1.5在38項上取得了業界最佳成績（SOTA），特別是在視頻理解、視覺推理以及GUI Agent能力方面，均位列前茅。
在視頻理解領域，豆包1.5引入了動態幀率采樣技術，這一創新極大地提升了模型對視頻時序的定位能力。結合先進的向量搜索功能，模型能夠迅速且準確地找到與文本描述相匹配的視頻片段，為視頻內容的深度挖掘與檢索提供了強有力的支持。
不僅如此，豆包1.5還具備了視頻深度思考的能力。通過深度學習數萬億的多模態標記數據，模型積累了豐富的視覺知識。同時，借助強化學習技術，豆包1.5的視覺推理能力得到了顯著提升。在復雜的圖形推理任務中，它能夠自主提出假設、進行驗證，并在發現不符時不斷反思與調整，直至得出正確答案，這一過程展現了其強大的思考與自我修正能力。
豆包1.5新增的GUI Agent能力同樣令人印象深刻。憑借其出色的GUI定位性能，模型能夠在多種不同環境，如PC端和手機端，完成復雜的交互任務。這一功能在新開發的App功能自動化檢測中發揮了巨大作用，目前已在字節跳動多款App產品的開發測試中得到實際應用，大大提高了測試效率與準確性。
GUI Agent，作為一種基于多模態視覺模型驅動的人工智能系統，能夠模擬人類用戶的操作，如點擊、輸入、拖拽以及讀取界面信息等，從而完成各種指定的工作任務。這一技術的引入，無疑為豆包1.5增添了更為廣泛的應用場景與價值。
豆包1.5的推出也標志著火山引擎在人工智能領域邁出了堅實的一步。該模型不僅展現了火山引擎在技術創新方面的實力，更為行業內的其他參與者樹立了新的標桿。
目前，豆包1.5視覺深度思考模型已在火山方舟平臺正式上線，標志著這一先進技術將正式服務于更廣泛的用戶群體，為人工智能的應用與發展注入新的活力。
