字節發布最新豆包視覺推理模型，一手實測來啦！

這是蒼何的第 438 篇原創！

大家好，我是蒼何。

太卷了啊。兄弟們。

字節又發布了最新的豆包視覺推理模型，叫 Doubao-Seed-1.6-vision/250815。

現在火山引擎的模型廣場就可以直接看到。

我也進行了深度參與測試，在視覺理解能力上提升很大。

為了方便測試，我接入了 API，并 vibe 了一個測試工具。

代碼和使用教程也在 GitHub 上開源了。

在放測試 case 之前，稍微介紹下這個視覺推理模型吧。

Doubao-Seed-1.6-vision 是全新升級的多模態大模型，適用于視頻理解、Grounding、GUI Agent等高復雜度的場景，支持 256k 上下文窗口，輸出長度支持最大 64k tokens。

最為亮眼的地方在于基于 Responses API 全新支持 image process build-in tools 能力。

也就是最思考推理時能自動調用圖像處理工具。目前內置四種圖像處理工具，分別是：grounding&crop、point&draw_line、zoom、rotate。

下面來看下幾個 case，感受下它的能力吧。

圖像旋轉

把這個圖像丟給 Doubao-Seed-1.6-vision，配合上提示詞：

白紙上寫了什么？

可以看到，它會思考過程中推理并調用工具rotate自動旋轉圖片然后做識別。

我錄了個視頻，展示了模型的思考和工具調用全鏈路。

同樣另外一個圖像旋轉的 case 是用它做書籍識別：

這是我的原始圖片：

提示詞：桌子上放了什么書？

模型先調用zoom工具放大細節：

然后調用rotate工具進行圖像旋轉：

最后推理分析得出結論：

我也錄了個全程的視頻，大家可以感受一下。

超市找人

這張超市里的圖片（素材來自網絡），我想讓它幫我找下穿綠色上衣的人。

模型會自動調用 zoom 工具放大細節，然后用 point 工具進行標記。

最后精準找到我們需要找的人并做標記，同樣全流程視頻如下：

清明上河圖找人

來個非常有挑戰的，我們知道清明上河圖上有非常多人物，姿勢動作各異，要想讓大模型在清明上河圖上精確找人，還是非常有難度的。

提示詞：在這幅《清明上河圖》的局部里，幫我找到正在激烈爭吵的兩個人，并用線連接他們，表示他們正在對話。

本身圖片就稍微模糊，要是人來找，估計也得廢個半天。

豆包 Doubao-Seed-1.6-vision 先是自動調用zoom工具來進行放大細節

經過多次對比分析，最后找出人物，全流程視頻如下：

歷史背景不合分析

這張圖片，讓 Doubao-Seed-1.6-vision 分析下不符合常理的地方。

提示詞：這張圖片描繪的場景在歷史準確性上存在什么問題？請解釋為什么這個細節不符合歷史背景。

它會調用一系列工具，推理分析圖片細節，找出不符合的地方。

全過程視頻如下：

安全隱患分析

VLM 視覺模型還有個非常實用的場景，就是可以對安全隱患進行分析。

提示詞：這張看似平常的家庭照片中，存在哪些潛在的安全隱患？請具體指出危險點，并說明可能導致的后果。以及標注出有隱患的點

模型會調用 point 等工具先進行一輪分析，然后自主推理，根據常識判斷是否會有安全隱患。

流程圖識別

對于流程圖的識別也不在話下。

這是我的創作流程，Doubao-Seed-1.6-vision 能很好的別別并給到我反饋。

醫療影像分析

VLM 視覺模型另外一個使用場景就是在對醫療影像進行分析，比如：

提示詞：這是一張胸部X光片，請檢查一下肺部是否有異常結節。如果發現可疑區域，請圈出來，并大致測量一下它的最大徑。另外，這張片子有點歪，請幫我把它旋轉扶正，讓脊柱保持垂直，看下效果。

Doubao-Seed-1.6-vision 就會依次自主調用工具，先是調用rotate進行旋轉，

然后調用 zoom 工具進行局部多次放大：

視頻如下：

影視劇查找

一些精彩的片頭，總是想不出是哪部影視劇了，現在就可以借助 Doubao-Seed-1.6-vision 來分析。

提示詞：這是哪部劇？

可以看到，它能精確找出影視劇的名字。

細節感知

這個 case 能看到 Doubao-Seed-1.6-vision 能自動進行圖片的放大，并做翻譯處理。

當一張照片模糊到看不清的時候，也可以借助 Doubao-Seed-1.6-vision 來進行細節放大。

這一點非常有用，對于放大細節來說，場景可太豐富了。

圖例判斷

這個 case，考察模型能否根據圖片的細節，推理出在哪個城市。

根據標識牌推理在哪個國家。

路徑選擇

多題解答

好了，搞完這些 case，我人直接麻了。

講真的，AI 的發展速度已經快到讓人有點窒息了。

最恐怖的地方在于，它不再是簡單地「看懂」圖片，而是在「思考」如何更好地去理解。通過調用旋轉、縮放、標記這些工具，它就像一個真正的人，在想方設法地解決問題。

從在復雜的《清明上河圖》里找人，到分析X光片的細節，這些以前我們想都敢想的場景，現在正一個個變成現實。

我們正處在一個技術爆炸的奇點，每天都有新的可能性誕生。今天我們還在驚嘆它能找人，明天它可能就成了我們生活里離不開的眼睛。

這種感覺，真讓人無比興奮。