5月7日消息,字节跳动旗下火山引擎宣布 Doubao-Seed-2.0-lite 升级新版本,这是豆包大模型家族首款全模态理解模型,支持视频、图像、音频、文本四大模态的原生统一理解,同时 Agent、Coding 与 GUI 能力同步升级。 新版本已在火山方舟上线,面向企业开放 API 调用。 全模态理解:视觉再提升,音频新融入
新版本 Doubao-Seed-2.0-lite 在视觉理解能力上实现大幅跨越。在高阶学科推理场景中,物理推理基准 HiPhO 和医疗推理基准 MedXpertQA 的表现大幅超越 2 月发布的 Doubao-Seed-2.0-pro 版本。在细粒度感知(BabyVision、WorldVQA)与具身理解(ERQA)等关键领域,模型达到 SOTA 水平。
音频理解是此次升级的核心新能力。模型支持 19 个语种的精准语音转写,以及中英文与其他 14 个语种的互译。同时能深度捕捉语音中的情绪变化、环境背景声与音乐细节,输出更完整的语义信息。据火山引擎公开评测数据,Doubao-Seed-2.0-lite 在语音识别、翻译等多项音频理解基准上优于 Gemini-3.1-Pro。 全模态融合的关键在于跨模态联合推理。模型可同时处理视频中的画面与音频信息,精准辨析视听一致性——判断"看到的"与"听到的"是否一致;也能根据自然语言指令,在视频中精准定位特定事件的时间点,跨时间段追踪人物与事件发展脉络。
Agent 与 Coding:长任务稳定性提升
在多轮、多步、多约束的用户指令遵循度上,Doubao-Seed-2.0-lite 显著提升。模型增强了任务反思推理与多 Agent 协同调度能力,在长程任务中可自我拆解、自我校验。依托 Agent Harness 框架,模型可连续执行跨越 25 小时的长程任务。
Coding 能力覆盖前端页面、3D 场景与游戏开发,交付产物在视觉美观度与工程完整度上进一步提升,可胜任从原型到上线的前后端深度开发。
模型还深度适配 OpenClaw、Hermes Agent 等 Agent 框架,支持深度搜索与 Skill 动态调用,可在执行过程中持续沉淀经验。 GUI 能力:理解与操作一体化
基于升级的 GUI 能力,Doubao-Seed-2.0-lite 将界面识别与操作执行为一条闭环:既能精准识别按钮、菜单、表单、弹窗等界面元素及其状态,也能稳定完成点击、输入、右键、滚动、拖拽等 Browser Use 与 Computer Use 操作,支持跨应用、跨窗口连续执行完整业务流程。
同步上线:Doubao-Seed-2.0-mini
除 Lite 版本外,Doubao-Seed-2.0-mini 全新版也已同步上线火山方舟,同样支持全模态理解。相比上一版本,Mini 版的思考长度大幅缩短,Tokens 效率更高,适合对推理深度要求较低但需要更高吞吐量的场景。
定位与场景
火山引擎方面表示,在同等算力成本下,Doubao-Seed-2.0-lite 是企业大规模、批量化部署全模态推理任务的更优性价比选择。从电竞 AI 教练到在线教育课堂分析,再到海外电商全链路运营,全模态理解与 Agent、Coding、GUI 能力的组合正在解锁更多商业化应用场景。
新版本模型已在火山方舟 API 上线,企业开发者可通过平台直接调用。