豆包的 " 眼睛 " 升級了，現在讓它看一眼APP 截圖，就能直接給你生成代碼！
話不多說，我們直接給它上一個難度。
例如我們先随機截取一張網站的圖片：
再來到火山方舟的大模型廣場，pick 一下最新的 Doubao-vision-pro-32k 版本：
（PS：該模型也可以在豆包 APP 中體驗）
然後把剛才的截圖 " 喂 " 給豆包，并附上一句簡單的 Prompt：
幫我寫代碼，克隆這個 APP。
隻見豆包先是秒看出這是一個音樂 APP 的界面，緊接着就唰唰唰地敲起了代碼。
從代碼的功能上來，包括了菜單欄、播放列表框架、播放列表列表框和狀态欄。
模拟的播放列表中包含了幾首歌曲的信息，包括标題、藝術家、時長和點贊數等。
而且這些都是在不到 30 秒内完成的。
若是想實現更複雜的功能，我們也是可以繼續用說的：
那繼續幫我實現更複雜的音樂播放應用。
這一次，也僅僅耗時1 分鍾，在原先代碼的基礎上，新增了控制面闆、播放按鈕、更新進度條等内容。
嗯，現在開發一個 APP，真的變成截張圖的事兒了。
這便是豆包最新發布的新模型——豆包 · 視覺理解模型。
綜合來看，它的亮點可以歸結爲如下三點：
内容識别更強：支持 OCR、圖像知識、動作情緒、位置狀态等，尤其對中國傳統文化理解更深。
理解與推理增強：優化數學、邏輯、代碼的推理與問答能力。
視覺描述細膩：提供詳細圖像描述，可創作多種文體内容，如産品介紹、故事、視頻腳本等。
更重要的一點，發布即大降價——0.003 元 / 千 tokens。
相當于1 塊錢可以處理284 張圖片！
不過有一說一，畢竟考驗大模型 " 視力 " 這事，不能隻看單一的産品。
因此，接下來，我們就組個擂台，看看哪個大模型的 " 眼神 " 更好使。
大模型 " 視力 " 大比拼
我們請出的打擂台選手，正是目前大模型的頂流之一—— OpenAI 的GPT-4o。
比試規則也很簡單，就是通過不同維度的試題，來看看作答的效果。
Round 1：複雜、生僻物體識别
第一輪比試中，我們先小試牛刀一下一個不常見的水果，請看圖：
然後我們分别問一下兩位選手：
圖中的是什麽東西？
△上圖爲豆包作答；下圖爲 GPT-4o 作答（下同）。
從回答内容上來看，二者雖然都回答對了，但特點各有不同。
豆包 · 視覺理解模型回答更加與金鈴子緊密相關；而 GPT-4o 則是更傾向于金鈴子與苦瓜的不同。
若是比試要求是與圖中物體高度相關，那麽或許豆包 · 視覺理解模型的回答更優質一些。
再來一張冷門的圖像，請看題：
這是什麽？
再來看一下兩位選手的作答：
它們都看出來這是一個冷門樂器，不過這一次，豆包 · 視覺理解模型明顯回答的要更精準一些——樂器叫做 Mizmar。
不僅如此，它還把其材質、文化特點等信息都講述了出來；而 GPT-4o 這邊的回答，隻能說是描述了大概。
這一輪，豆包 · 視覺理解模型，Win！
Round 2：大家來找茬
要比視力，那 " 大家來找茬 " 這個遊戲就絕對不能錯過啦 ~
請看題目：
找出 10 個不同點。
我們來看一下兩位選手的回答：
這一輪的比拼中，問題就比較明顯了，兩位選手都沒有完整給出正确答案（部分正确）。
看來 AI 玩大家來找茬還是具備一定的挑戰性。
Round 3：反向猜 Prompt
現在 AI 圖片生成的能力可謂是爐火純青，但當我們看到一幅中意的作品，卻苦于無法複刻 Prompt 時，又該怎麽辦？
這道題，是時候可以交給 " 會看 " 的大模型來處理了。
例如我們随機來一張比較抽象的藝術作品：
然後分别讓豆包 · 視覺理解模型和 GPT-4o 來猜一下它的 Prompt：
看這張圖，幫我寫一段能夠重新生成類似作品的 Prompt。
爲了公平起見，我們不采用豆包和 ChatGPT 自帶的生圖功能，而是将兩段 Prompt 交給第三方Midjourney來處理，結果如下：
△上圖：基于豆包的 Prompt；下圖：基于 GPT-4o 的 Prompt
從還原度上來看，或許豆包 · 視覺理解模型給出的 Prompt，是更加貼近原作的那一個。
Round 4：數學競賽大比拼
數學題目是測試大模型邏輯推理能力很好的方法。
因此，我們直接上一道AIME 數學競賽題，看看夠不夠 " 開門 "。
（AIME：美國數學邀請賽，是介于 AMC10、AMC12 及美國數學奧林匹克競賽之間的一個數學競賽。）
這道題目翻譯過來是這樣的：
每天早晨，Aya 會進行一段長度爲 9 公裏的散步，然後在一家咖啡店停留。當她以每小時 s 公裏的恒定速度行走時，整個散步加上在咖啡店停留的時間一共需要 4 小時，其中包含在咖啡店停留的 t 分鍾。當她以 s+2 公裏每小時的速度行走時，整個過程（包括在咖啡店停留的時間）需要 2 小時 24 分鍾。
假設 Aya 以 s+1/2 公裏每小時的速度行走，求她在這種情況下（包括在咖啡店停留的時間）的總時間（以分鍾爲單位）。
這個任務的難度在于，AI 需要先準确識别晦澀的數學問題和公式，而後再進行精準的推理。
接下來，我們分别來看下豆包 · 視覺理解模型和 GPT-4o 的表現（上下滑動查看）：
這道題目官方給出的正解是204 分鍾。
而 GPT-4o 的結果卻并非如此，因此，本輪豆包 · 視覺理解模型大獲全勝。
Round 5：日常實用任務
其實在日常工作、學習生活中，還是存在很多需要 AI 看圖來輔助完成的任務。
例如提取複雜表格的數據，或許就會讓很多人苦惱，尤其是準确性方面。
因此，我們最後一輪就以蘋果第四季度财務報告中的一個表格來做測試（上下滑動查看）：
幫我抽取并整理圖中的數據，用中文來表述。
先來看下豆包 · 視覺理解模型的回答（上下滑動查看）：
不難看出，豆包 · 視覺理解模型非常清晰地将财報數據以表格的形式展現了出來，可以說是一目了然。
然而，同樣的需求給到 GPT-4o 這邊，雖然數據是提取了出來，但在呈現方式上卻有所欠缺，依然是經典的羅列式（上下滑動查看）：
在幾輪 " 擂台比拼 " 過後不難看出，豆包 · 視覺理解模型在能力上已經具備了一定的優勢。
但 " 眼睛 " 的升級，還隻是豆包大模型這次發布内容的一隅。
說、唱能力都升級了
沒錯，除了 " 看 " 之外，" 說 " 和 " 唱 " 的能力也升級了。
而這也正對應了豆包大模型的三大類：
大語言模型
語音大模型
視覺大模型
首先在大語言模型方面，豆包的通用模型 pro與小半年前相比：
綜合能力提升了 32%
數學能力提升 43%
專業知識提升 54%
代碼能力提升 58%
其次是語音大模型方面，豆包 · 音樂模型現在可以直接生成3 分鍾完整音樂！
例如我們在其 APP海綿音樂裏輸入一個簡單的 Prompt：
三分鍾音樂，滄桑，男聲，民謠，歲月蹉跎。
來聽一下效果：
生成三分鍾音樂的難度，并非隻是簡單的堆疊時長，而是更多涉及到的是前奏、主歌、副歌、間奏、尾奏等完整結構。
不僅如此，這也和視頻生成類似，對前後的一緻性提出了更高的要求。
而從這個音樂片段中不難聽出，确實是做到了上述的要求，而且還是支持改詞的那種哦 ~
除了可以用 Prompt 來生成音樂之外，現在豆包 · 音樂模型還支持用圖片來作曲了。
例如我們 " 喂 " 給海綿音樂下面這張圖：
這次的效果是這樣的：
從音樂中可以聽出，AI 是識别到了圖裏《黛玉葬花》的感覺，歌詞和配樂充滿了哀傷之情。
據悉，豆包 · 音樂模型目前支持多達到 17 種曲風、11 種心情，以及 6 種特征的音樂。
最後，在視覺模型方面，除了我們剛才展示的豆包 · 視覺理解模型之外，豆包 · 文生圖模型也迎來了升級——
現在，一句話可以搞定 P 圖這件事了：
戴上眼鏡。
不僅如此，做海報，也是幾句話的事，而且還是能生成漢字的那種：
生成一張海報，主體是漢字 " 量子位 "，充滿科技感和未來感。
由此可見，這一次，豆包大模型在 " 說 "、" 唱 "、" 看 " 三大維度上确實是提升了不小的實力。
不看廣告隻看療效
不過有一說一，實力是一方面，站在大模型應用爲王的當下，或許好用才是真正的硬道理。
在把 AI 用起來這件事上，其實豆包也是拿出了一份成績單。
首先從數據上來看，截至 12 月 18 日，豆包大模型日均 tokens 使用量已經突破4 萬億大關。
其次再看實際落地，據悉豆包大模型已經上崗科教、金融、醫療、企業服務和汽車等衆多行業，已經與多個頭部企業達成合作。
市場和用戶對豆包的買賬程度，可見一斑。
而在此過程中，" 易落地 "也是一個關鍵點。
這就不得不提此次也同樣迎來升級的兩大法寶：左手 "HiAgent"，右手 " 扣子 "。
例如 HiAgent 提供超 100 個行業應用模闆和 GraphRAG 技術，提升知識處理準确性，支持多模态交互與複雜場景需求，企業無需從零開發即可快速上線。
再如扣子擁有百萬開發者和豐富生态，支持 200 萬智能體，覆蓋智能客服、内容營銷等場景，極大縮短開發與部署時間。
除此之外，它兼容小程序、網頁等多種形式，支持實時語音交互與硬件集成，企業可輕松實現 AI 能力無縫嵌入。
一言蔽之，低門檻模闆、強大的生态支持和多平台兼容，是使得 HiAgent 和扣子能夠快速适配企業場景，實現高效落地的關鍵。
那麽對于豆包這次衆多的升級，你對哪個更感興趣呢？歡迎體驗過後回來交流哦 ~
— 完 —
點這裏關注我，記得标星哦～
一鍵三連「分享」、「點贊」和「在看」
科技前沿進展日日相見 ~
>
