《科創板日報》5月13日訊（編輯 宋子喬） 今日，字節跳動Seed團隊發布視覺-語言多模態大模型Seed1.5-VL，向更優智能體邁步。

據介紹，Seed1.5-VL在超過3Ttokens的多模態數據上進行預訓練，具備更強的通用多模態理解和推理能力，且推理成本顯著降低。

目前在多模態大模型領域，谷歌最新推出的大模型Gemini 2.5 Pro表現出色，已支持圖像、視頻、音頻與代碼的統一理解，且在多個基準測試（如MME、Math Bench）中領先于GPT-4.0。

字節團隊表示，盡管Seed1.5-VL的激活參數僅有20B，但其性能可達到與Gemini 2.5 Pro相當的水平，在60個公開評測基準中的38個上取得SOTA（最新最優性能，state-of-the-art performance）表現，包括19項視頻基準測試中的14項，以及7項GUI代理任務中的3項：

1、視覺能力突出

Seed 1.5-VL在視覺推理、圖像問答、圖表理解與問答、視覺定位/計數、視頻理解、GUI智能體等任務中均表現突出。其中，在以Agent（智能體）為中心的任務（如GUI控制和游戲）中，Seed 1.5-VL在7個GUI智能體任務中的3個取得了SOTA成績。

2、交互性更強

精簡的架構設計顯著降低了推理成本和計算需求，使模型更適合交互式應用。比如該模型增強了GUI（圖形用戶界面）定位性能，可在PC端、手機端等不同環境中完成復雜交互任務，包括收集處理信息、在開放游戲中推理和行動等。

字節團隊表示，Seed 1.5-VL進一步提升了視覺理解和推理能力，并向VLM（視覺語言模型）的通用性能力更近一步。但仍存在一定的局限性。

首先，在細粒度視覺感知方面，模型在處理目標計數、圖像差異識別以及復雜空間關系解釋時仍面臨挑戰，主要在目標排列不規則、顏色相似或部分遮擋等極端情況下；其次，在高層次推理任務中，如解決華容道謎題、導航迷宮或遵循復雜指令時，有時模型會引入無根據的假設或產生不完整的響應，表現仍有提升空間。此外，在視頻推理方面，模型尚難以準確識別動作的先后順序或從物體的前后狀態推斷順序。

目前，Seed 1.5-VL已在火山引擎上開放API供用戶體驗。

多模態指的是能夠處理和理解來自多種不同來源和形式的信息的系統，如文本、圖像、音頻、視頻等。多模態技術使機器學習模型能夠更全面地理解和表達復雜的真實世界場景，國內大模型廠商紛紛競逐多模態。

5月6日谷歌DeepMind團隊發布多模態大語言模型Gemini 2.5 Pro，在多個指標上登頂AI排行榜LMArena。

北京時間4月17日，OpenAI發布o系列多模態推理大模型o3與o4-mini。該系列模型在大規模強化學習與圖像思維鏈整合技術的加持下，多模態推理能力顯著增強，工具應用能力大幅提升。

應用方面，近期多款大廠的AI應用實現多模態功能更新，如文小言升級語音大模型、圖片問答能力；騰訊元寶上線10張圖片同時處理的功能；豆包文生圖功能實現升級，新版深度思考開啟測試。

平安證券稱，近期包括OpenAI、豆包在內發布的新模型，解題思路在此前思維鏈CoT基礎上，更多體現對模型原生Agent能力（即工具使用）以及多模態推理能力的重視。全球大模型領域的競爭依然白熱化，堅定看好AI主題的投資機會，當前Agent在企業端落地進度較為靠前，AI應用建議關注OA/ERP/編程/辦公等領域；算力方面，Agent將帶來更多的推理端應用需求，從而拉動推理端算力乃至整體算力需求向上。

開源證券日前發布研報稱，國產模型近期在多模態、推理能力上持續突破，多款達到全球頂尖水平，加之頭部模型開源，大模型廠商持續發力Agent，將繼續推動AI應用深入落地，拉動推理算力需求，建議繼續布局AI。