12月18日，在火山引擎 Force 大會上，字節(jié)跳動正式發(fā)布豆包視覺理解模型。據(jù)透露，這是一個更具性價比的方案——豆包視覺理解模型千tokens輸入價格僅為3厘，經(jīng)換算，一元錢可處理284張720P的圖片，比行業(yè)價格便宜85％。

據(jù)火山引擎總裁譚待在現(xiàn)場介紹，豆包視覺理解模型不僅能精準(zhǔn)識別視覺內(nèi)容，還具備出色的理解和推理能力，可根據(jù)圖像信息進行復(fù)雜的邏輯計算，完成分析圖表、處理代碼、解答學(xué)科問題等任務(wù)。此外，該模型有較為細膩的視覺描述和創(chuàng)作能力。

圖：火山引擎總裁譚待

此前，豆包視覺理解模型已經(jīng)接入豆包App和PC端產(chǎn)品。而考慮到要讓用戶的輸入更快更方便，豆包產(chǎn)品非常注重多模態(tài)的輸入和打磨，包括語音、視覺等能力，這些模型都已通過火山引擎開放給企業(yè)客戶。

此外，豆包大模型多款產(chǎn)品也迎來重要更新，據(jù)現(xiàn)場披露，豆包通用模型pro已全面對齊GPT-4o，使用價格僅為后者的1/8；音樂模型從生成60秒的簡單結(jié)構(gòu)，升級到生成3分鐘的完整作品；文生圖模型2.1版本，更是在業(yè)界首次實現(xiàn)精準(zhǔn)生成漢字和一句話P圖的產(chǎn)品化能力，該模型已接入即夢AI和豆包App。

另據(jù)分享，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，豆包端到端實時語音模型也將很快上線。譚待表示，豆包大模型雖然發(fā)布較晚，但一直在快速迭代進化。

數(shù)據(jù)顯示，截至12月中旬，豆包通用模型的日均tokens使用量已超過4萬億，較七個月前首次發(fā)布時增長了33倍。