1元錢就能處理248張圖

原標題：豆包升級了“眼睛”，看APP截圖就能寫代碼了！超低價讓多模態(tài)AI普惠
文章來源：量子位
內(nèi)容字數(shù)：6829字

豆包大模型全面升級：視覺、語音、語言能力顯著提升

本文總結(jié)了金磊撰寫的文章，介紹了豆包大模型的最新升級，重點在于其視覺、語音和語言能力的提升，以及在實際應用中的落地情況。

1. 視覺能力升級：豆包·視覺理解模型驚艷亮相

   豆包發(fā)布了新的視覺理解模型，其核心亮點在于內(nèi)容識別更強、理解與推理增強以及視覺描述細膩。它能夠識別OCR、圖像知識、動作情緒、位置狀態(tài)等，尤其對中國傳統(tǒng)文化理解更深。在與GPT-4的對比測試中，豆包在復雜物體識別、反向猜Prompt等方面表現(xiàn)更優(yōu)，尤其在處理AIME數(shù)學競賽題上展現(xiàn)了強大的邏輯推理能力。此外，豆包在提取復雜表格數(shù)據(jù)方面也表現(xiàn)出色，遠超GPT-4。

2. 語音能力升級：豆包·音樂模型生成完整音樂

   豆包的語音模型——豆包·音樂模型，現(xiàn)已能夠生成長達3分鐘的完整音樂，并支持多種曲風、心情和特征的創(chuàng)作。用戶不僅可以用文字Prompt，還可以用圖片來作曲，展現(xiàn)了其強大的音樂生成能力和對圖像內(nèi)容的理解能力。

3. 語言能力升級：大語言模型全面提升

   豆包的大語言模型在各個方面都有顯著提升，與小半年前相比，綜合能力提升了32%，數(shù)學能力提升43%，專業(yè)知識提升54%，代碼能力提升58%。這使得豆包能夠更好地理解和處理各種語言任務。

4. 應用落地：HiAgent和扣子賦能企業(yè)

   豆包大模型已經(jīng)廣泛應用于科教、金融、醫(yī)療、企業(yè)服務和汽車等多個行業(yè)，并與眾多頭部企業(yè)達成合作。其日均tokens使用量已突破4萬億大關。為了方便企業(yè)應用，豆包推出了HiAgent和扣子兩大工具，分別提供應用模板和開發(fā)者生態(tài)，降低了企業(yè)使用AI的門檻，加速了應用落地。

5. 價格優(yōu)勢：大幅降低使用成本

   豆包·視覺理解模型的價格大幅降低，僅需0.003元/千tokens，性價比極高。

總而言之，豆包大模型在視覺、語音和語言三個方面都實現(xiàn)了顯著的升級，并通過HiAgent和扣子等工具，有效降低了企業(yè)應用門檻，展現(xiàn)了其強大的技術(shù)實力和市場競爭力。

聯(lián)系作者

文章來源：量子位
作者微信：
作者簡介：追蹤人工智能新趨勢，關注科技行業(yè)新突破