科技日报记者 杨雪
2月14日，字节跳动宣布推出豆包大模型2.0（Doubao-Seed-2.0）系列。豆包2.0围绕大规模生产环境下的使用需求做了系统性优化，依托高效推理、多模态理解与复杂指令执行能力，更好地完成真实世界复杂任务。
这是豆包大模型自2024年5月发布以来首次大版本的跨代升级。据介绍，豆包2.0全面升级了多模态能力，在各类视觉理解任务上均达到世界顶尖水平，视觉推理、感知能力、空间推理与长上下文理解能力表现尤为突出。
例如，面对动态场景，豆包2.0强化了对时间序列与运动感知的理解能力，对“变化、动作、节奏”这类信息的捕捉更为稳定，在工程侧可用性更高。长视频场景中，豆包2.0在大多评测上超越了其他顶尖模型，能作为AI助手完成实时视频流分析、环境感知、主动纠错与情感陪伴，实现从被动问答到主动指导的交互升级，可应用于健身、穿搭等陪伴场景。
此前，豆包视频生成模型Seedance 2.0、豆包图像创作模型Seedream 5.0 Lite已分别在2月12日、2月13日发布，凭借多模态参考、精准可控等亮点，在全球范围内引发关注。
Seedance 2.0让创作过程变得更自然、更高效，也更像真正的“导演”。它支持图像、视频、音频、文本四种模态输入，表达方式更丰富，生成也更可控，可以用一张图定下画面风格，用一个视频指定角色的动作和镜头的变化，再用几秒音频带起节奏氛围；物理规律遵循大幅提升，人物动作自然流畅，物体交互反馈真实；语义理解能力显著增强，动作、表情、运镜、文字内容均可精准执行。
Seedream 5.0 Lite则开始能像人类设计师一样“理解”指令背后的意图，“看懂”不同画面中的规律，并将世界知识应用于图像与文本创作中。它采用多模态理解生成统一架构，随着跨模态理解和推理能力提升，可通过简短、模糊的文本和图像输入主动推测用户意图，同时，模型在主体一致性、图文对齐等生成方面的表现也显著进步；内置覆盖科技与人文领域的多个垂类行业知识库，其生成结果更符合物理规律，信息可视化能力也大幅提升；首次引入实时检索增强能力，可通过联网检索，获取最新的知识和资讯，更精准地回应具有时效性的创作需求，尤其适合资讯海报生成等场景。
随着Agent时代到来，大模型将在现实世界发挥更大作用。值得一提的是，豆包2.0还进一步降低了推理成本。其模型效果与业界顶尖大模型相当，但token（词元）定价降低了约一个数量级。在现实世界的复杂任务中，由于大规模推理与长链路生成将消耗大量token，这一成本优势将显得更为关键。
网友评论
