量子位
·
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
💡
原文中文，约4000字，阅读约需10分钟。
📝
内容提要
豆包升级了视觉理解模型，能够通过APP截图生成代码，支持OCR和复杂功能识别。新模型在识别、推理和描述方面表现优异，价格低廉，适用于多个行业。
🎯
关键要点
- 豆包升级了视觉理解模型，能够通过APP截图生成代码。
- 新模型支持OCR、图像知识、动作情绪、位置状态等功能，尤其对中国传统文化理解更深。
- 模型在数学、逻辑、代码推理与问答能力上有显著提升。
- 视觉描述能力细腻，能够创作多种文体内容。
- 价格低廉，处理284张图片仅需1元。
- 豆包与OpenAI的GPT-4o进行多轮比拼，豆包在多个方面表现优于GPT-4o。
- 豆包的语言模型、语音模型和视觉模型均有显著提升。
- 豆包音乐模型可以生成完整的三分钟音乐，并支持用图片作曲。
- 豆包大模型已在多个行业落地应用，与多个头部企业达成合作。
- HiAgent和扣子是豆包实现快速落地的关键工具，支持多模态交互与复杂场景需求。
❓
延伸问答
豆包的视觉理解模型有什么新功能？
豆包的视觉理解模型可以通过APP截图生成代码，支持OCR、图像知识、动作情绪和位置状态等功能。
豆包的视觉理解模型在价格上有什么优势？
豆包的视觉理解模型处理284张图片仅需1元，价格非常低廉。
豆包与GPT-4o的比较结果如何？
在多轮比拼中，豆包在复杂物体识别、数学推理等方面表现优于GPT-4o。
豆包的音乐模型有哪些新功能？
豆包的音乐模型可以生成完整的三分钟音乐，并支持用图片作曲。
豆包的视觉理解模型在行业应用上有哪些成就？
豆包大模型已在科教、金融、医疗等多个行业落地应用，并与多个头部企业达成合作。
豆包的HiAgent和扣子有什么作用？
HiAgent提供超100个行业应用模板，支持多模态交互；扣子支持200万智能体，帮助企业快速实现AI能力嵌入。
➡️
