字节跳动在近期举办的火山引擎Force大会上，正式揭晓了其最新的技术成果——豆包视觉理解模型。这一创新方案以极高的性价比吸引了业界的广泛关注，其千tokens输入价格仅为3厘，换算下来，用户仅需一元钱即可处理约284张720P分辨率的图片，这一价格相较于市场平均水平降低了85%。
火山引擎总裁谭待在会上详细介绍了豆包视觉理解模型的强大功能。该模型不仅具备精准的视觉内容识别能力，还展现出了卓越的理解与推理能力。它能够根据图像信息执行复杂的逻辑运算，无论是分析图表、处理代码，还是解答学科问题，都能游刃有余。豆包视觉理解模型还拥有细腻的视觉描述与创作能力，进一步拓宽了其应用场景。
谭待还透露，豆包视觉理解模型已经成功接入豆包App及PC端产品，并且产品团队在多模态输入方面进行了深入的优化，包括语音、视觉等功能的提升，旨在为用户提供更加便捷、高效的输入体验。这些技术成果已通过火山引擎平台向企业客户开放。
与此同时，豆包大模型系列也迎来了多项重要更新。据悉，豆包通用模型pro已经全面对标GPT-4o，并在价格上占据明显优势，仅为后者的八分之一。音乐模型方面，从原先只能生成60秒的简单结构，升级到了能够创作3分钟的完整音乐作品。文生图模型2.1版本更是实现了业界首创，能够精准生成汉字并具备一句话P图的产品化能力，该版本已经成功接入即梦AI和豆包App。
谭待还分享了豆包大模型未来的发展规划。他透露，2025年春季将推出具备更强视频生成能力的豆包视频生成模型1.5版，同时豆包端到端实时语音模型也将很快面世。尽管豆包大模型发布时间相对较晚，但其在技术迭代和进化方面展现出了惊人的速度。
数据显示，截至大会举办时，豆包通用模型的日均tokens使用量已经突破了4万亿，与七个月前首次发布时相比，增长了惊人的33倍。这一数据不仅彰显了豆包大模型的市场潜力，也为其未来的发展奠定了坚实的基础。
