您现在的位置是：网站首页>财经财经

hydwc电玩城在线客服

宋半梦 2025-05-14 【财经】 2655 人已围观

《科创板日报》5月13❸、今日⑫，字节跳动Seed团队发布视觉-语言多模态大模型Seed1.5-VL⑥，向更优智能体迈步⑪。

据介绍⑫，Seed1.5-VL在超过3Ttokens的多模态数据上进行预训练⑯，具备更强的通用多模态理解和推理能力⑰，且推理成本显着降低⑮。

目前在多模态大模型领域⑰，谷歌最新推出的大模型Gemini 2.5 Pro表现出色⑨，已支持图像❸、视频▓、音频与代码的统一理解❷，且在多个基准测试中领先于GPT-4.0⑱。

字节团队表示⑱，尽管Seed1.5-VL的激活参数仅有20B❸，但其性能可达到与Gemini 2.5 Pro相当的水平③，在60个公开评测基准中的38个上取得SOTA表现⑲，包括19项视频基准测试中的14项⑲，以及7项GUI代理任务中的3项：

1⑧、视觉能力突出⑩、Seed 1.5-VL在视觉推理⑯、图像问答⑮、图表理解与问答⑲、视觉定位/计数⑩、视频理解❶、GUI智能体等任务中均表现突出③。其中⑩，在以Agent为中心的任务中▓，Seed 1.5-VL在7个GUI智能体任务中的3个取得了SOTA成绩⑤。

2③、交互性更强❸、精简的架构设计显着降低了推理成本和计算需求⑬，使模型更适合交互式应用⑨。比如该模型增强了GUI定位性能⑥，可在PC端⑫、手机端等不同环境中完成复杂交互任务⑯，包括收集处理信息❸、在开放游戏中推理和行动等⑯。

字节团队表示❷，Seed 1.5-VL进一步提升了视觉理解和推理能力⑳，并向VLM的通用性能力更近一步❶。但仍存在一定的局限性⑮。

首先⑬，在细粒度视觉感知方面②，模型在处理目标计数⑱、图像差异识别以及复杂空间关系解释时仍面临挑战⑤，主要在目标排列不规则⑫、颜色相似或部分遮挡等极端情况下⑤；其次⑩，在高层次推理任务中⑦，如解决华容道谜题⑰、导航迷宫或遵循复杂指令时⑩，有时模型会引入无根据的假设或产生不完整的响应⑦，表现仍有提升空间⑬。此外⑲，在视频推理方面⑪，模型尚难以准确识别动作的先后顺序或从物体的前后状态推断顺序⑧。

目前⑥，Seed 1.5-VL已在火山引擎上开放API供用户体验⑲。

多模态指的是能够处理和理解来自多种不同来源和形式的信息的系统⑥，如文本⑯、图像⑧、音频⑱、视频等⑭。多模态技术使机器学习模型能够更全面地理解和表达复杂的真实世界场景⑧，国内大模型厂商纷纷竞逐多模态⑤。

5月6日谷歌DeepMind团队发布多模态大语言模型Gemini 2.5 Pro②，在多个指标上登顶AI排行榜LMArena⑥。

北京时间4月17日⑮，OpenAI发布o系列多模态推理大模型o3与o4-mini⑤。该系列模型在大规模强化学习与图像思维链整合技术的加持下▓，多模态推理能力显着增强⑯，工具应用能力大幅提升⑥。

应用方面⑲，近期多款大厂的AI应用实现多模态功能更新⑨，如文小言升级语音大模型⑨、图片问答能力⑯；元宝上线10张图片同时处理的功能⑬；豆包文生图功能实现升级⑪，新版深度思考开启测试⑳。

平安证券称⑪，近期包括OpenAI⑯、豆包在内发布的新模型⑧，解题思路在此前思维链CoT基础上⑬，更多体现对模型原生Agent能力以及多模态推理能力的重视⑥。全球大模型领域的竞争依然白热化❸，坚定看好AI主题的投资机会①，当前Agent在企业端落地进度较为靠前⑥，AI应用建议关注OA/ERP/编程/办公等领域⑩；算力方面❸，Agent将带来更多的推理端应用需求❷，从而拉动推理端算力乃至整体算力需求向上③。

开源证券日前发布研报称▓，国产模型近期在多模态④、推理能力上持续突破❷，多款达到全球顶尖水平⑥，加之头部模型开源②，大模型厂商持续发力Agent⑯，将继续推动AI应用深入落地⑯，拉动推理算力需求⑳，建议继续布局AI⑭。