摘要：能够识别人物、物体、建筑，动作、情绪、表情、位置、传统文化，甚至深谙人性…

一大早，上班开机

特大妹边啃包子边刷视频直播

突然被某大厂给惊掉了下巴

这时候，你是不是觉得

特大妹一脸没见过世面的样子

大模型看图，有啥了不起？

其实，这里面太有门道了

↓

首先，我们来解释一个定义

业界把“看懂图”的大模型叫

到底有啥神奇呢？

特大妹拿字节跳动刚刚发布的

豆包·视觉理解模型

来举几个例子

↓

先拖一张图进去

浅浅测测它的智商

↓

认出星爷还是有点easy

我们上点儿难度

拿一个鬼都不知道是啥的玩意

让它看看

↓

然而，光认得出，也没啥可吹的

要进一步上难度、考智商

看看逻辑推理能力怎么样

↓

不行，再加点难度

特大妹挑了一个连题干都看不懂的题

「2024高考物理真题」

↓

豆包有点东西

理性的考不倒

就加点“绕人”的东西

特大妹就不信拿捏不了它

到了这一步

特大妹不得不上点考验“人性”的东西了

给它投点“毒”

↓

篇幅有限，就不挨个试了

反正特大妹是被震惊到了

豆包视觉理解模型，强到可怕

首先，它具备更强的内容识别能力

能够识别人物、物体、建筑，动作、情绪、表情、位置、传统文化，甚至深谙人性…

第二，它具备更强的理解推理能力

能根据图片信息

进行数学、逻辑、代码等推理

最终得出答案

第三，它具备更细腻的观察和描述能力

比如，给它两张相似图

人类肉眼辨别起来都费劲

它一眼看穿，细节捕捉达到像素级

从此，找不同游戏要退出历史舞台了

↓

我感觉企业级视觉应用要变天了

过往15年视觉识别是TOB大热赛道

硬件卖摄像头，软件卖图像识别

而如今，视觉理解大模型加入

应用场景从“看见”到“理解”

这个深刻转变，将带来新一轮升级迭代

↓

比如，监控视频图像理解

监控视频不再是简单地“找人”

而是能“懂”现场发生的事情

比如，环保监测图像理解

不再是简单地发现是否排放了

而是通过分析排放物的颜色、状态等

推断出具体排放的是啥东西

比如，质检图像理解，不再是简单判断产品是否有瑕疵，而是能指出哪个环节出现问题
比如，自动驾驶图像识别，不仅能看见障碍物，还能理解前方的交通状况，提前做出反应...

不止是视觉理解模型强到可怕

在12月18日

「火山引擎 FORCE原动力大会」上

全面升级的豆包大模型家族

更是个个能打，集体炸裂

↓

接下来我给大家挑重点唠唠

豆包家族成员的那些新本领

↓

01、豆包通用模型pro版升级

豆包通用模型

作为豆包大语言模型家族的“老大哥”

一直稳坐家族“扛把子”的位置

只因性能确实强悍

出门打榜稳居第一

12月19日，智源研究院发布了对国内外100余个开源与商业闭源大模型的综合及专项评测结果：
▎在「大语言模型评测能力榜单」中，豆包通用模型 Pro 在重点考察中文能力的主观评测中斩获第一。
▎在「FlagEval 大模型角斗场榜单」中，豆包通用模型 Pro 位列大语言模型第一梯队，综合评分排名第二，仅次于 OpenAI 的 o1-mini，成为得分最高的国产大模型。

大家都喜欢通过API调用它来扛活

调用量持续飙升

与七个月前首次发布时相比

增长了足足33倍

↓

此次升级后

豆包Pro已能全面对齐GPT-4o

但价格仅为其1/8

这种超强性价比也体现在豆包其他成员

比如我们前面说的豆包视觉理解模型

在「多模态模型评测榜单」中

它在视觉语言模型中排名第二

仅次于 GPT-4o，是得分最高的国产大模型

但是每千tokens输入价格只有3厘钱

1块钱就能处理 284 张 720P 图片

超高性价比，名副其实

02、豆包·音乐模型升级

只需上传一张图片或几句话

就能生成一首歌，支持10多种曲风

此次升级，歌曲长度从1分钟飙到3分钟

意味着能生成一首完整的歌曲了

这对专业级用户来讲

搞音乐、电影、游戏、配音…

就是神级助攻

03、豆包·文生图模型升级

玩过图片生成模型的老司机都知道

让大模型写汉字

全是天书一般的乱码

这个难题被豆包克服了

升级后的豆包·文生图模型2.1

在业界首次实现

生成图片时可以生成精准的汉字

同时，还新增了“一句话P图”功能

↓

一句话P图

指令：在地上画一个可爱的小猫

↓

输出

独门绝技解读：“一键P图”是国内第一个实现了通用图像编辑的产品化模型，核心亮点是：不需要预先为特定任务训练模型，直接根据用户的需求来编辑图片，即「零样本编辑」，同时引入SeedEdit框架，不需要给模型加入新的参数，保持模型的轻量化，就能把一个原本用于生成图像的扩散模型转化为一个可以编辑图像的模型。

在图中生成汉字

指令：在图上写上几个字“我爱工作”