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，全新發布的豆包視覺理解模型無疑是全場焦點，其卓越的表現令人嘆為觀止。
豆包視覺理解模型憑借其出眾的內容識別、理解與推理能力，以及細膩的視覺描述，為大模型領域樹立了新的標桿。它如同一雙智慧之眼，讓大模型得以洞察現實世界，極大地拓展了人機交互的邊界與應用范疇。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，展現出了顯著優勢。
豆包視覺理解模型的發布，正如生物進化中的眼睛對于物種爆發的重要性，為人工智能生態的多元化與豐富性奠定了堅實的基礎。其領先的內容識別能力，不僅能準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系、空間布局及場景意義。例如，在發布會演示中，模型能依據影子形狀識別動物，通過光線景象判斷丁達爾效應，甚至對陌生物品進行拍照識別。
豆包視覺理解模型還具備行業領先的OCR能力，可精準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。它還能基于指令進行視覺內容識別，對中國傳統文化信息有著深刻理解。而模型的理解與推理能力更是強大，能輕松應對復雜圖片推理任務，如表格圖像、數學問題、代碼圖像等，同時支持參考問答、總結摘要及數學、邏輯、代碼推理。
豆包視覺理解模型的細膩視覺描述能力同樣不容小覷。它能基于圖像信息，細膩描述圖像內容，并根據圖像狀態進行多種文體創作，如產品介紹、宣傳文章、視頻腳本、故事詩歌等。例如，企業可借助模型為文創產品創作暖心祝福語，或根據指令對畫面細節進行描述，甚至根據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秒簡單結構升級至3分鐘完整作品；文生圖模型2.1版本則首次實現了精準生成漢字與一句話P圖的產品化能力。豆包3D生成模型也首次亮相，與火山引擎數字孿生平臺veOmniverse結合，成為支持AIGC創作的物理世界仿真模擬器。
字節跳動在大會上透露，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、方言轉換等新能力。自今年5月發布以來，豆包大模型快速迭代，已成為國內最全面、技術最領先的大模型之一，廣泛應用于智能終端、汽車、金融、消費和互聯網等領域。
火山引擎總裁譚待在會上表示，豆包大模型雖然發布較晚，但一直在快速迭代進化，目前日均tokens使用量已超過4萬億，較首次發布時增長了33倍，這標志著豆包大模型的能力正在被C端市場充分驗證，大模型應用正加速向各行各業滲透。與眾多行業客戶的共創合作，讓豆包大模型在智能終端、汽車、金融、消費等領域大放異彩，與八成主流汽車品牌合作，覆蓋終端設備約3億臺，調用量在半年內增長100倍。
