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。
➡️
