12月18日，字节跳动旗下火山引擎于2024 FORCE原动力大会发布了豆包视觉理解模型。通过豆包视觉理解模型，用户可以同时输入文本和图像相关的问题。模型能够综合理解并给出准确的回答，大幅简化开发流程。豆包视觉理解模型主要有三大能力：（1）更强的内容识别能力，不仅可以识别出图像中的物体类别、形状等基本要素，还能理解物体之间的关系、空间布局以及场景的整体含义；（2）更强的理解和推理能力，不仅能识别图文信息，还能进行复杂的逻辑计算；（3）更细腻的视觉描述能力，可以基于图像信息，更细腻的描述图像呈现的内容，还能进行多种文体的创作。基于这些能力，豆包视觉理解模型在教育、旅游、电商等场景有着广泛的应用。例如在教育场景中，为学生优化作文、科普知识；在旅游场景中，帮助游客看外文菜单、讲解照片中建筑的背景知识；在电商营销场景中，帮助商家充分描述商品细节，高效发布种草广告等等。此外，豆包视觉理解的输入价格为每千tokens 0.003元，比行业平均价格降低85%，有利于企业和开发者利于视觉理解模型，在更广泛的场景创造商业价值。

豆包大模型使用量大幅增长，模型家族再扩容，多模态能力不断提升

根据火山引擎数据，豆包大模型12月日均tokens使用量超过4万亿，较5月发布时期增长超过33倍，豆包大模型在信息处理、客服与销售、硬件助手、AI工具等场景的调用量也在快速增长。不断增加的调用量和多场景覆盖使豆包大模型越来越全面，并迎来全面升级，其中豆包通用模型pro完成新版本迭代，综合任务处理能力较5月份提升32%。除了视觉理解模型，火山引擎还发布了豆包音乐模型4.0、豆包文生图模型2.1以及veOmniverse 豆包3D生成模型，豆包视频生成模型将在2025年1月正式对外开放服务，明年春季，字节跳动还将发布具备更长视频生成能力的豆包视频生成模型1.5版。此外，火山引擎还推出全域AI搜索，通过场景化搜索推荐一体化服务、企业私域信息整合服务、联网问答服务，将企业的信息、业务和用户需求紧密结合，加速多行业智能化转型。

豆包大模型有望带动大模型产业快速发展，关注相关AI应用投资机会