我要投稿

豆包深度思考模型正式发布！和 o3 一样能「看图思考」，还有一个 Agent 大招

发布日期：2025-04-17 17:49:38 浏览次数： 2669

作者：APPSO

微信搜一搜，关注“APPSO”

这两个月，AI 模型和产品的发布节奏用「日新月异」都不足以形容了。

GPT-4o 生图的爆火似乎还是昨天，OpenAI 放出了自家最强推理模型 o3 和 o4 mini，但这可能还不是这个月最重磅的 AI 发布，DeepSeek R2、Anthropic 的 Claude 4 以及马斯克剧透的「Grok-3.5」，极有可能将在本月陆续发布。

而且就在今天，字节还发布了一整套 AI 全家桶，深度思考模型、视觉推理、文生图、AI Agent……几乎涵盖了最近 AI 圈关注度最高的产品。

先看看这次字节发布的产品和亮点有哪些：

1. 豆包 1.5 · 深度思考模型

推理能力跻身全球第一梯队

更低延迟支撑高要求应用

多模态理解与应用场景：支持「边想边搜」和「视觉推理」

2. 文生图 3.0

3 秒出图

原生 2K 高清

文本排版与小字生成优化

美感效果和生图结构提升

3. 豆包 1.5 视觉理解模型新版

视觉定位更精准

对视频的理解更智能

4. AI Agent

垂类应用 Agent：豆包推出了国内首个 AI IDE——Trae

OS Agent：能够操作浏览器、电脑、手机或其他 Agent 完成复杂任务

字节这一系列产品升级，不仅在推理能力和多模态理解上实现突破，也通过 Agent 加速 AI 在更多场景的应用落地。

就像火山引擎总裁谭待所说的，「如果说 2024 年是中国 AI 应用的元年，那 2025 年极有可能是 AI Agent 应用的元年。」

豆包 1.5·深度思考模型：像人一样思考和观察

豆包 1.5·深度思考模型作为本次升级的核心，有三个关键升级：更强的推理效果、极低的响应延迟和全面的多模态能力。

在专业领域推理能力测试中，豆包深度思考模型整体达到或接近全球第一梯队水平。

数学推理方面，在 AIME 2024 测试中的得分已追平 OpenAI o3-mini-high。

编程竞赛方面，在 Codeforces pass@8 测试中接近 OpenAI o1。

科学推理能力在 GPQA 测试中也接近 o3-mini。

豆包 1.5·深度思考模型采用总参数达 200B 的 MoE 架构，但激活参数仅为 20B。

这种设计可以在保证强大性能的同时，显著降低了训练和推理成本，实现了 20 毫秒的极低延迟，这意味着能更好应用在对延迟敏感的实时交互场景。

豆包深度思考模型技术报告 ?
https://github.com/ByteDance-Seed/Seed-Thinking-v1.5

在实际体验中，豆包深度思考模型的「边想边搜」和「视觉推理」这两个功能，带来了一些惊喜，也是目前相较同类产品比较有特色的。

「边想边搜」功能模拟了人类解决问题时边思考边查阅资料的过程，它把搜索和推理捆绑在一起，基于每一步的思考结果进行多次搜索，能让回答更有逻辑、更贴近需求。

APPSO 不久前对豆包深度思考的「边想边搜」也进行了详细体验。

以购物推荐场景为例，用户需要为一家三口选择露营装备，涉及预算、安全性、便携性、适应天气等多维度因素。

豆包深度思考模型不是简单给出答案，而是像顾问一样进行多轮搜索和思考：

1. 第一轮搜索价格与性能数据，基本确定选择范围

2. 第二轮针对儿童需求搜索，筛选安全适合的装备

3. 第三轮考虑天气因素，查询详细评测

整个过程透明化，用户可以看到模型如何一步步构建解决方案。这种「边想边搜」能力不仅适用于购物决策，还能应用于金融分析、旅游规划等复杂决策场景。

至于豆包 1.5·深度思考模型的视觉推理能力，刚好和 OpenAI o3 不谋而合，让 AI 能像人类一样基于图像进行深层思考。

比如在地理位置推测任务中，模型不仅识别出图片中的湖泊，还注意到湖泊边缘的盐结晶和周边旅游设施等微小细节，通过逻辑推理精确定位景点位置。

而在国外点餐场景更具代表性，模型需要同时处理多种复杂因素：计算不同货币的价格换算、考虑老人和儿童的饮食喜好、避开可能引起过敏的食材等。这种能力大大超越了传统的单一功能工具。

视觉推理能力在企业办公场景其实也能发挥重要作用，豆包可以解读复杂的项目管理流程图表，快速定位关键信息，严格按照流程图逻辑回答问题。

可以看到，无论是解析财报图表还是分析产品说明图，都能展现专业水准的理解能力。

豆包文生图 3.0：从生成到创造的飞跃

Gemini 2.0 和 GPT-4o 的「一句话生图」掀起了新一轮生图的热潮，这次豆包文生图模型 Seedream3.0 则在三个核心方面实现突破：文字排版、图像真实感和高清输出能力。

在文生图领域权威评测 Artificial Analysis 竞技场中，豆包文生图 3.0 已经不输 GPT-4o、Imagen 3、Midjourney v6.1、FLUX 1.1 Pro 等顶级模型，跻身全球第一梯队。

Seedream3.0 最显著的升级是实现了 2K 分辨率图像的直接生成。字节技术团队通过多分辨率混合训练策略，让模型能够适应从手机屏幕到巨幅海报的各种比例需求，无需后期放大处理即可输出清晰高质的图像。

这种原生高分辨率能力，意味着对专业设计和商业应用提供了极大便利。

同时 1K 分辨率出图缩小到 3 秒，这一高效推理能力得益于多项技术优化，让创作者能够实现「所想即所得」的实时交互体验。对于海报设计、视觉创意这类需要和甲方高效沟通的场景。这种速度就很实用。

中文小字和长文本排版一直是 AI 绘画痛点，豆包 3.0 不仅解决了这一难题，还将排版美感提升到专业水准。以「现形」海报系列为例，生成内容细节丰富、排版精美，达到了商用水平。

人像生成方面，通过缺陷感知数据优化和跨模态编码技术，新模型在皮肤质感、表情自然度、服装纹理等方面极为逼真，几乎消除了 AI 生成的「诡异感」。

目前 Seedream3.0 已在豆包、即梦等平台全量开放，大家不妨亲自试玩。

视觉理解模型：从识别到理解

豆包 1.5 视觉理解模型主要在视觉定位和视频理解两个方向实现了突破。

视觉定位方面，新模型支持多目标定位（同时识别多个物体）、小目标定位（识别极小物体）和通用目标定位（不受预训练类别限制）等高级功能，还能进行点定位计数和 3D 场景定位。这些能力为机器人视觉、自动驾驶等领域提供了坚实基础。

同时，模型实现了记忆能力增强、总结理解能力提升、速度感知能力和长视频理解能力的全面提升。这使得用户可以对家庭监控视频进行语义搜索，如询问「今天小猫在家都干什么了？」系统能定位并展示相关片段。

AI Agent 的未来：应用 + OS

这次豆包 1.5 的核心突破不仅体现在模型能力上，更重要的是为 AI Agent 提供了强大基础，开始思考「AI 该解决什么问题」，而非单纯追求技术指标。

谭待认为， AI Agent 的构成，可以分为垂类应用 Agent 和 OS Agent。

在应用 Agent 领域，豆包团队推出了针对不同垂类场景的专业 AI 助手，包括客服 Agent、数据 Agent 和代码 Agent 等。这些 Agent 专注于特定领域任务，具备深度专业能力。

其中最引人注目的是国内首个 AI IDE——Trae。与传统 AI 插件不同，Trae 将 AI 与集成开发环境深度融合，具备三大核心特质：

交付化：面向软件交付而非仅生成代码，从本质需求出发

智能化：能理解信息和意图，自主规划反思，调用工具执行任务

协作化：能与用户在多个维度协作，保障最终结果质量

这种设计理念使 Trae 能帮助开发者和企业更快速、更准确地完成软件开发工作，实现从代码片段生成到完整软件交付的跨越。

而 OS Agent 代表了AI 能力的更高层次——拥有跨场景的通用性和灵活性，能够操作浏览器、电脑、手机或其他 Agent 完成复杂任务。

火山引擎的 OS Agent 解决方案核心由豆包大模型和 veFaaS 产品组成。通过两个案例可以直观了解其强大能力：

代码执行：Agent 能用 Python、NodeJS 等多种语言编写代码并运行，如生成斐波那契数列并输出结果。豆包模型负责代码生成，veFaaS 代码安全沙箱负责安全编译运行。

浏览器操作：Agent 能通过浏览器完成 iPhone 产品比价，自动搜索多个电商平台、提取价格信息并进行对比分析，最终给出最优购买建议。

在更复杂场景中，OS Agent 甚至能操作专业软件。如使用剪映专业版进行视频剪辑和配乐，或通过豆包 APP 生成内容并发布至今日头条；在手机端，则能操作指定 APP 完成高铁订票等任务。

这些能力的核心是全新发布的 GUI Agent 大模型——UI-Tars，它将屏幕视觉理解、逻辑推理、界面元素定位和操作整合在单一模型中，突破了传统自动化工具依赖预设规则的局限。UI-Tars 在 OS World 等测试集中已取得国内各类模型中的最优成绩。

最近 OpenAI 姚顺雨在一篇文章中指出，我们已经进入了AI 发展的「下半场」。与上半场不同，下半场不再仅关注模型改进和技术指标，而是转向如何定义真正有价值的问题以及如何衡量真正的进步。

很难说在 AI 迅猛而又非线性的发展，用过去互联网的上下半场来划分是否适用，但一些转变确实在发生：不再把模型作为目的，而是作为解决实际问题的工具。

这可能就是字节内部所谓「务实的浪漫」，字节 CEO 梁汝波在年初的字节 All Hands 全员会上强调了这个概念。

这是最初是张一鸣在 2019 年提出的，他认为务实的浪漫就是「把想象变成现实，face reality and change it。」

面对 DeepSeek 和 Agent 产品带来的 AI 行业剧变，这也会是字节的应对方式。

53AI，企业落地大模型首选服务商

产品：场景落地咨询+大模型应用平台+行业解决方案

承诺：免费POC验证，效果达标后再合作。零风险落地应用大模型，已交付160+中大型企业

相关资讯

2026-02-03

多模态文档智能解析最新开源进展：GLM-OCR方法概述

2026-02-02

月之暗面Kimi正式发布官方编程工具：Kimi Code

2026-01-30

用AI做深度用户访谈，获蓝驰、高瓴、王慧文投资

2026-01-29

DeepSeek-OCR 2重磅发布:让AI像人一样读懂复杂文档

2026-01-28

LingBot-Depth 正式开源：让机器人“看清”物理世界

2026-01-28

一文带你读懂DeepSeek-OCR 2的细节！附实测！

2026-01-27

DeepSeek出品，必是精品！DeepSeek-OCR 2发布：让LLM像人一样读懂复杂文档，效果超Gemini 3 Pro

2026-01-27

DeepSeek-OCR 2 来了，让 AI 也能像人一样，带着逻辑去看图

联系获取

160+中大型企业正在使用53AI

立即咨询预约演示

把握AI发展的机遇，共同探索、共同进步

2025-01-22

如何打造基于GenAI的员工服务机器人

2025-01-22

热点资讯

谁是OCR王者？MinerU、PaddleOCR、DeepSeek-OCR 实测对比，集成一个多模态PDF解析系统

2025-11-10

万字拆解UI-TARS 2.0，看懂豆包手机背后的核心技术

2025-12-15

微软又上大分！刚刚开源一款 0.5B 轻量级实时 TTS 模型，还能边想边说！

2025-12-06

阿里 Qwen3-TTS 全新上线！支持9种方言+49种音色，连天津味儿都拿捏了！

2025-12-07

多模态检索新突破！Qwen3-VL-Embedding/Reranker AI 真正“看懂“你在搜什么，从图片到视频全拿下！

2026-01-10

Gemini 3 多模态Prompt：手相宗师 - 玄师

2025-11-19

GLM-TTS技术报告：基于多奖励强化学习的可控发音语音合成

2025-12-11

声画俱全，一镜入戏 | Seedance 1.5 pro 音视频创作模型正式发布

2025-12-17

蓝色光标×火山引擎：用AI实现多模态内容创作自由

2026-01-05

秒杀传统 TTS？！Gemini 原生中文 TTS 体验 + 提示词模板

2025-12-14

大家都在问

一篇文章讲清楚：到底什么是NotebookLM？除了PPT，它还能做啥？

2025-12-31

GenAI的多模态数据智能平台如何构建？

2025-08-04

本地AI对话神奇，ChatWise到底有什么用？

2025-05-26

什么是基于知识图谱的多模态推理？

2025-05-13

AI数字人领域重大突破：告别拼凑式合成，阿里OmniTalker能否开启音视频一体化新时代？

2025-04-08

Midjourney V7全面测评：50组多风格提示词实测，是否还有领先优势?

2025-04-05

如何结合多模态RAG和异步调用实现大模型内容理解？

2025-03-30

Chat GPT文生图不用DALL·E模型了？

2025-03-26

热门标签

内容创作大模型技术个人提效 langchain llamaindex 多模态技术 RAG技术智能客服知识图谱模型微调 RAGFlow coze Dify Fastgpt Bisheng Qanything AI+汽车 AI+金融 AI+工业 AI+培训 AI+SaaS 提示词框架提示词技巧 AI+电商 AI面试数字员工 ChatBI AI知识库开源大模型智能营销智能硬件智能化改造 AI+医疗 MaxKB Palantir Glean