這幾天海外科技圈最最受關注的有兩件事，一個是一衆科技大佬齊聚特朗普就職典禮，川普還拉上 OpenAI 軟銀等公司成立一家叫「星際之門」（Stargate Project）的 AI 公司，未來 4 年要投資 5000 億美元，掀起了新一輪 AI 軍備競賽。
另外就是以 DeepSeek R1 爲代表的國産推理模型給矽谷 AI 圈帶來的震撼，趕超 OpenAI 是所有 AI 公司的課題，但 DeepSeek 隻用 2048 塊 GPU、近 600 萬美元在 2 個月時間做到。
一些外媒将這波國産 AI 的發布視爲中國 AI 逼近甚至趕上美國的标志也并不奇怪，而且這股浪潮還在繼續。
今天，字節跳動旗下的豆包大模型 1.5 Pro 模型正式亮相，不僅全面升級了模型的核心能力，也融合并進一步提升了多模态能力，在多項公開評測基準中也是全球領先水平。
豆包團隊還強調，模型訓練過程中并未使用任何其他模型生成的數據，不走捷徑。
這次發布的豆包大模型 1.5 系列産品線包括：
Doubao-1.5-pro：多項基準測試綜合得分優于 GPT-4o、Claude 3.5 Sonnet 等業界一流模型，創曆史最佳成績
Doubao-1.5-lite：用輕量級成本實現旗艦級性能，綜合性能持平或超越 GPT-4omini，Cluade 3.5 Haiku。
Doubao-1.5-vision-pro：定位專業視覺理解模型，在保持強大性能的同時，回複更簡潔友好，多模态能力超越了 GPT-4o-0806
Doubao-1.5-realtime-voice-pro：真正實現端到端語音對話，具備低時延、對話中可随時打斷、自然的情緒表達等特性，即将開放 API 服務
字節團隊告訴 APPSO，Doubao-1.5-pro 目前已經在豆包 APP 灰度上線，由于對話是先接意圖識别，所以用戶大概率沒法确定在使用時是否分流到 1.5 Pro，而開發者也可在火山引擎直接調用 API。
附上體驗鏈接：https://www.volcengine.com/
漂亮的參數背後是否有真材實料？我們也第一時間在火山引擎體驗了豆包大模型 1.5 系列。
先來看看 Doubao-1.5-pro-32k 模型。盡管「9.11 和 9.8 哪個大」以及「Strawberry 裏有幾個 r」已經是常規測試環節了，但我們還是要走一遍流程，而模型都順利通過了考驗。
接下來，我們向模型提出了一個較有挑戰性的問題——尋找古代名人中姓名末字與「峰」字發音接近的例子。
前半部分答案倒是表現出色，精确識别了與「峰」字發音相近的韻母（eng、ong），但後半段的關聯性卻顯得較爲牽強。
繼續上一道電車難題，這個涉及道德倫理的經典思考題，考驗的不僅是模型的邏輯分析能力，更是其對複雜道德議題的理解深度。而 Doubao-1.5-pro-32k 并沒有簡單給出答案，分析深入透徹，指出這類問題并無标準答案，不同的道德觀念和個人價值觀會導緻不同的決策。
在完成上述測試後，我們将目光轉向了更強大的 Doubao-1.5-pro-256k 模型。
這是一款基于 Doubao-1.5-Pro 全面升級版的模型，整體效果大幅提升 10%，支持 256k 上下文窗口的推理，輸出長度支持最大 12k tokens。
爲測試其解題能力，我們提出了一個古早的經典邏輯推理題，它的回答再次展現出了清晰的思維邏輯。
「據說有人給酒肆的老闆娘出了一個難題：此人明明知道店裏隻有兩個舀酒的勺子，分别能舀 7 兩和 11 兩酒，卻硬要老闆娘賣給他 2 兩酒。聰明的老闆娘毫不含糊，用這兩個勺子在酒缸裏舀酒，并倒來倒去，居然量出了 2 兩酒，請問是怎麽做到的」
那文本功底如何呢？我們也讓它創作一出劇本。題材是 2015 年 44 歲的埃隆 · 馬斯克與前 Google CEO 拉裏 · 佩奇關于「AI 是否最終會取代人類」的對話。
與 GPT-4o 的回答相比，Doubao-1.5-pro-256k 的劇本創作更加細膩生動，不僅有具體的景别設計、畫面描述，還包含了細緻的台詞和時長安排。如果你是一位經常需要編寫劇本的創作者，那選誰作爲你的劇本 AI 搭子應該不用多說了吧。
而這種出色的創作能力，僅僅是豆包實力的一個縮影。實際上，此次更新中，Doubao-1.5-Pro 基礎模型能力獲得全面提升，這一點從其在各大公開評測基準上的表現就可見一斑。
Doubao-1.5-pro 采用稀疏 MoE 架構實現了多項技術突破：通過深入研究稀疏度 Scaling Law，将性能杠杆從業界普遍的 3 倍提升至 7 倍，用僅占稠密模型七分之一的參數量就超越了 Llama-3.1-405B 等大模型的性能。
在訓練流程上，團隊堅持完全自主的數據标注路線，通過算法驅動的數據優化系統和 Verifier 與 Reward Model 的深度融合，建立了統一的評價框架。
豆包選擇了一條最艱難但最踏實的那條路，這也是這次技術突破值得誇贊的地方。
據悉，字節研究團隊通過高效标注團隊與模型自提升相結合的方式持續優化數據質量，嚴格遵循内部标準，堅持不走捷徑，不使用任何其他模型的數據，确保數據來源的獨立性和可靠性。
并且，在 RL 階段突破了價值函數訓練難點，高難度任務性能提升超過 10 個百分點，并通過用戶反饋閉環持續優化模型表現。這些創新使模型在保持高性能的同時大幅提升了效率。
Doubao-1.5-pro 在多模态能力上實現了全面升級，通過原生動态分辨率架構支持百萬級分辨率和任意長寬比圖像處理，實現了精準的特征提取。
豆包團隊自研的支持動态分辨率的 Doubao ViT 在多種視覺分類任務中表現優異，僅憑 2.4B 規模便在綜合評分上取得 SOTA 表現，效果超越 7 倍于自身規模的模型。
在數據訓練方面，模型采用了多樣化的合成管線，結合搜索引擎的圖文數據、渲染引擎和傳統 CV 模型等多種方式生成高質量預訓練數據。
通過在 VLM 訓練階段混入純文本數據并動态調整學習率，模型實現了視覺和語言能力的平衡。
在語音領域，團隊創新性地提出了 Speech2Speech 端到端框架，突破了傳統 ASR+LLM+TTS 的級聯模式，将語音和文本模态進行深度融合，顯著提升了對話效果。
Doubao-1.5-pro 在語音和推理能力上取得重大突破：模型創新性地将語音和文本 Token 直接融合，摒棄了傳統的語音文本對齊方法，爲語音多模态數據的 Scaling 奠定基礎。
在推理領域，通過大規模 RL 方法和 Test Time Scaling 的算力優化，團隊研發出 Doubao 深度思考模式。
最新的 Doubao-1.5-pro-AS1-Preview 版本在 AIME 基準測試中已超越 o1-preview、o1 等主流推理模型，通過持續的 RL 優化，模型的推理能力在多個領域展現出強大的泛化性。
從這一系列突破性進展來看，豆包無疑交出了一份令人滿意的答卷。更何況，在當前「模型喂模型」盛行的環境下，堅持原創的定力和勇氣本身就值得贊賞。
通過始終如一的自主研發、原創數據和持續優化，豆包用實際成果證明了「慢工出細活」的價值。或許我們都應該牢記，AI 賽道最大的彎道超車，應該是堅持不走捷徑。
