豆包升级了“眼睛”，看APP截图就能写代码了！超低价让多模态AI普惠

十三
2024-12-19
19:43:34

来源：量子位

金磊 发自 上海

量子位 | 公众号 QbitAI

豆包的“眼睛”升级了，现在让它看一眼APP截图，就能直接给你生成代码！

话不多说，我们直接给它上一个难度。

例如我们先随机截取一张网站的图片：

再来到火山方舟的大模型广场，pick一下最新的Doubao-vision-pro-32k版本：

（PS：该模型也可以在豆包APP中体验）

然后把刚才的截图“喂”给豆包，并附上一句简单的Prompt：

帮我写代码，克隆这个APP。

只见豆包先是秒看出这是一个音乐APP的界面，紧接着就唰唰唰地敲起了代码。

从代码的功能上来，包括了菜单栏、播放列表框架、播放列表列表框和状态栏。

模拟的播放列表中包含了几首歌曲的信息，包括标题、艺术家、时长和点赞数等。

而且这些都是在不到30秒内完成的。

若是想实现更复杂的功能，我们也是可以继续用说的：

那继续帮我实现更复杂的音乐播放应用。

这一次，也仅仅耗时1分钟，在原先代码的基础上，新增了控制面板、播放按钮、更新进度条等内容。

嗯，现在开发一个APP，真的变成截张图的事儿了。

这便是豆包最新发布的新模型——豆包 · 视觉理解模型。

综合来看，它的亮点可以归结为如下三点：

• 内容识别更强：支持OCR、图像知识、动作情绪、位置状态等，尤其对中国传统文化理解更深。
• 理解与推理增强：优化数学、逻辑、代码的推理与问答能力。
• 视觉描述细腻：提供详细图像描述，可创作多种文体内容，如产品介绍、故事、视频脚本等。

更重要的一点，发布即大降价——0.003元/千tokens。

相当于1块钱可以处理284张图片！

不过有一说一，毕竟考验大模型“视力”这事，不能只看单一的产品。

因此，接下来，我们就组个擂台，看看哪个大模型的“眼神”更好使。

大模型“视力”大比拼

我们请出的打擂台选手，正是目前大模型的顶流之一——OpenAI的GPT-4o。

比试规则也很简单，就是通过不同维度的试题，来看看作答的效果。

Round 1：复杂、生僻物体识别

第一轮比试中，我们先小试牛刀一下一个不常见的水果，请看图：

然后我们分别问一下两位选手：

图中的是什么东西？

从回答内容上来看，二者虽然都回答对了，但特点各有不同。

豆包·视觉理解模型回答更加与金铃子紧密相关；而GPT-4o则是更倾向于金铃子与苦瓜的不同。

若是比试要求是与图中物体高度相关，那么或许豆包·视觉理解模型的回答更优质一些。

再来一张冷门的图像，请看题：

这是什么？

再来看一下两位选手的作答：

它们都看出来这是一个冷门乐器，不过这一次，豆包·视觉理解模型明显回答的要更精准一些——乐器叫做Mizmar。

不仅如此，它还把其材质、文化特点等信息都讲述了出来；而GPT-4o这边的回答，只能说是描述了大概。

这一轮，豆包·视觉理解模型，Win！

Round 2：大家来找茬

要比视力，那“大家来找茬”这个游戏就绝对不能错过啦~

请看题目：

找出10个不同点。

我们来看一下两位选手的回答：

这一轮的比拼中，问题就比较明显了，两位选手都没有完整给出正确答案（部分正确）。

看来AI玩大家来找茬还是具备一定的挑战性。

Round 3：反向猜Prompt

现在AI图片生成的能力可谓是炉火纯青，但当我们看到一幅中意的作品，却苦于无法复刻Prompt时，又该怎么办？

这道题，是时候可以交给“会看”的大模型来处理了。

例如我们随机来一张比较抽象的艺术作品：

然后分别让豆包·视觉理解模型和GPT-4o来猜一下它的Prompt：

看这张图，帮我写一段能够重新生成类似作品的Prompt。

为了公平起见，我们不采用豆包和ChatGPT自带的生图功能，而是将两段Prompt交给第三方Midjourney来处理，结果如下：

从还原度上来看，或许豆包·视觉理解模型给出的Prompt，是更加贴近原作的那一个。

Round 4：数学竞赛大比拼

数学题目是测试大模型逻辑推理能力很好的方法。

因此，我们直接上一道AIME数学竞赛题，看看够不够“开门”。

（AIME：美国数学邀请赛，是介于AMC10、AMC12及美国数学奥林匹克竞赛之间的一个数学竞赛。）

这道题目翻译过来是这样的：

每天早晨，Aya会进行一段长度为9公里的散步，然后在一家咖啡店停留。当她以每小时s公里的恒定速度行走时，整个散步加上在咖啡店停留的时间一共需要4小时，其中包含在咖啡店停留的t分钟。当她以s+2公里每小时的速度行走时，整个过程（包括在咖啡店停留的时间）需要2小时24分钟。

假设Aya以s+1/2公里每小时的速度行走，求她在这种情况下（包括在咖啡店停留的时间）的总时间（以分钟为单位）。

这个任务的难度在于，AI需要先准确识别晦涩的数学问题和公式，而后再进行精准的推理。

接下来，我们分别来看下豆包·视觉理解模型和GPT-4o的表现（上下滑动查看）：

这道题目官方给出的正解是204分钟。

而GPT-4o的结果却并非如此，因此，本轮豆包·视觉理解模型大获全胜。

Round 5：日常实用任务

其实在日常工作、学习生活中，还是存在很多需要AI看图来辅助完成的任务。

例如提取复杂表格的数据，或许就会让很多人苦恼，尤其是准确性方面。

因此，我们最后一轮就以苹果第四季度财务报告中的一个表格来做测试（上下滑动查看）：

帮我抽取并整理图中的数据，用中文来表述。

先来看下豆包·视觉理解模型的回答（上下滑动查看）：

不难看出，豆包·视觉理解模型非常清晰地将财报数据以表格的形式展现了出来，可以说是一目了然。

然而，同样的需求给到GPT-4o这边，虽然数据是提取了出来，但在呈现方式上却有所欠缺，依然是经典的罗列式（上下滑动查看）：

在几轮“擂台比拼”过后不难看出，豆包·视觉理解模型在能力上已经具备了一定的优势。

但“眼睛”的升级，还只是豆包大模型这次发布内容的一隅。

说、唱能力都升级了

没错，除了“看”之外，“说”和“唱”的能力也升级了。

而这也正对应了豆包大模型的三大类：

• 大语言模型
• 语音大模型
• 视觉大模型

首先在大语言模型方面，豆包的通用模型pro与小半年前相比：

• 综合能力提升了32%
• 数学能力提升43%
• 专业知识提升54%
• 代码能力提升58%

其次是语音大模型方面，豆包·音乐模型现在可以直接生成3分钟完整音乐！

例如我们在其APP海绵音乐里输入一个简单的Prompt：

三分钟音乐，沧桑，男声，民谣，岁月蹉跎。

来听一下效果：

生成三分钟音乐的难度，并非只是简单的堆叠时长，而是更多涉及到的是前奏、主歌、副歌、间奏、尾奏等完整结构。

不仅如此，这也和视频生成类似，对前后的一致性提出了更高的要求。

而从这个音乐片段中不难听出，确实是做到了上述的要求，而且还是支持改词的那种哦~

除了可以用Prompt来生成音乐之外，现在豆包·音乐模型还支持用图片来作曲了。

例如我们“喂”给海绵音乐下面这张图：

这次的效果是这样的：

从音乐中可以听出，AI是识别到了图里《黛玉葬花》的感觉，歌词和配乐充满了哀伤之情。

据悉，豆包·音乐模型目前支持多达到17种曲风、11种心情，以及6种特征的音乐。

最后，在视觉模型方面，除了我们刚才展示的豆包·视觉理解模型之外，豆包·文生图模型也迎来了升级——

现在，一句话可以搞定P图这件事了：

戴上眼镜。

不仅如此，做海报，也是几句话的事，而且还是能生成汉字的那种：

生成一张海报，主体是汉字“量子位”，充满科技感和未来感。

由此可见，这一次，豆包大模型在“说”、“唱”、“看”三大维度上确实是提升了不小的实力。

不看广告只看疗效

不过有一说一，实力是一方面，站在大模型应用为王的当下，或许好用才是真正的硬道理。

在把AI用起来这件事上，其实豆包也是拿出了一份成绩单。

首先从数据上来看，截至12月18日，豆包大模型日均tokens使用量已经突破4万亿大关。

其次再看实际落地，据悉豆包大模型已经上岗科教、金融、医疗、企业服务和汽车等众多行业，已经与多个头部企业达成合作。

市场和用户对豆包的买账程度，可见一斑。

而在此过程中，“易落地”也是一个关键点。

这就不得不提此次也同样迎来升级的两大法宝：左手“HiAgent”，右手“扣子”。

例如HiAgent提供超100个行业应用模板和GraphRAG技术，提升知识处理准确性，支持多模态交互与复杂场景需求，企业无需从零开发即可快速上线。

再如扣子拥有百万开发者和丰富生态，支持200万智能体，覆盖智能客服、内容营销等场景，极大缩短开发与部署时间。

除此之外，它兼容小程序、网页等多种形式，支持实时语音交互与硬件集成，企业可轻松实现AI能力无缝嵌入。

一言蔽之，低门槛模板、强大的生态支持和多平台兼容，是使得HiAgent和扣子能够快速适配企业场景，实现高效落地的关键。

那么对于豆包这次众多的升级，你对哪个更感兴趣呢？欢迎体验过后回来交流哦~

Read More