共计 1812 个字符，预计需要花费 5 分钟才能阅读完成。
在12月18日，上海世博中心，火山引擎 Force 大会如火如荼地展开，现场近4000人的目光被一段广告视频牢牢吸引。
一位观众举起手机，指向一个白色球形设备，询问豆包：“你知道这是什么吗？”豆包回应：“这是一款创意加湿器，外形酷似太空舱，顶部有喷雾孔。”接着，他又将手机对准一页杂志，问道：“这是什么图？”豆包答道：“这是猎户座中M78星云的星云图。”
通过手机摄像头随意扫描，豆包能够解析体检报告、修改代码错误、解读简笔画，并帮助找到高铁检票口，仿佛是一个无所不知的智能助手。
广告片的背后展示了豆包模型的视觉识别能力，这一新功能于12月18号由字节跳动重磅推出。与语言模型相比，视觉模型提供了更为丰富的互动方式，能够显著拓展应用场景。
图：火山引擎总裁谭待
当日，豆包进一步展示了其技术创新带来的成本优化，使视觉模型的价格比行业标准低了85%。火山引擎总裁谭待指出，尽管豆包大模型发布较晚，但其迭代速度极快，现已成为国内技术领先、功能全面的大模型之一。
视觉模型迈入“厘”时代
在大会现场，谭待展示的一份PPT让人回忆起了5月的盛况。
在5月份，谭待曾展示一张PPT，宣布豆包的语言模型价格已降至行业平均水平的99.3%，成功将其推入“厘”时代，随后引发了国内大模型降价潮。
这一次，虽然场地不同，但发布的动作类似，豆包视觉理解模型的定价为每千tokens输入仅需3厘，仅用1元就能处理284张720P的图片，价格较行业标准低85%。
豆包语言模型在降价后，使用量迅速增长，截止到12月中旬，日均tokens使用量已超过4万亿，较5月首次发布时增长了整整33倍。此次，豆包视觉模型也有望延续语言模型的成功。
谭待表示：“让每个企业都能负担得起”是视觉理解模型的定价原则，致力于以合理、可持续的价格，帮助企业和开发者大胆进行多模态创新。
研究表明，人类获取的信息超过80%是通过视觉。视觉理解将大幅拓展大模型的能力边界，降低用户与大模型间的交互门槛，为模型开启更多应用场景。
然而，之前视觉模型的高昂价格一直是限制AI应用普及的一大障碍。对于创业者和用户而言，门槛相对较高。
随着豆包视觉模型的降价，有望推动AI视觉应用的普及。谭待指出，此次推出视觉模型的目标是一次性到位，正如当初推出语言模型时那样，让大家能够使用，利用反馈与创新进行进一步发展，这一过程至关重要。
促进AI技术普及与应用爆发
视觉理解模型可以实现“看图说话”，识别图像中的物体类别、形状等要素，分析物体之间的关系，得出空间和场景的总体判断。相较于语言模型，视觉模型将带来更广泛的AI应用场景。
在正式发布视觉模型之前，豆包已经邀请数百家企业进行为期两个月的内测，并在多种场合下应用该模型。
根据测试反馈，在教育、电商及图片问答领域，豆包视觉模型表现出了显著的突破。在教育场景中，家长将手机对准孩子的英语作文，豆包能够自动批改并标注错误，进行评分。在电商领域，用户发送图片给豆包，豆包可以快速找到同款商品并提供推荐价格。而在图片问答方面，游客拍摄建筑，豆包则能迅速告知其位于哪个城市及相关历史故事。
除了上述三个领域，金融、医疗、建筑、物流及体育等行业，视觉模型同样能够发挥更大的作用。
据了解，豆包视觉理解模型具备精准的视觉内容识别能力，同时还拥有出色的理解和推理能力，能够根据图像信息进行复杂的逻辑运算，完成图表分析、代码处理及学科问题解答等任务。此外，该模型在视觉描述和创作方面也表现出色。
目前，豆包的视觉理解模型已接入豆包App和PC端产品。豆包战略研究负责人周昊表示：“豆包一直在努力提升用户输入的速度和便利性。”为此，豆包的产品在多模态输入和功能打磨上非常注重，包括语音、视觉等能力，这些模型均已通过火山引擎向企业客户开放。
在大会上，豆包的3D生成模型首次亮相。该模型与火山引擎的数字孪生平台veOmniverse结合，能够高效完成智能训练、数据合成及数字资产制作，成为一套支持AIGC创作的物理世界仿真模拟器。
谭待强调：“今年是大模型快速发展的关键一年。当你看到一列高速行驶的列车，最重要的事情就是确保自己能顺利上车。通过AI云原生和豆包大模型家族，火山引擎希望助力企业实现AI创新，驶向更加美好的未来。”
