Agent、圖像、視頻全是大版本升級(jí)：春晚還沒開，豆包AI就火了

編輯｜澤南、楊文

「2026 年或?qū)⒊蔀槿祟悮v史上最忙碌、也最具決定性的一年?！箈AI 聯(lián)創(chuàng) Jimmy Ba 在離職宣言中如是說。

這話并非夸張。1 月初，Anthropic 推出 Agent 工具 Claude Cowork，并發(fā)布 11 個(gè)配套插件；一周前，Anthropic 與 OpenAI 又幾乎同時(shí)推出新版本基礎(chǔ)大模型 Claude Opus 4.6 與 GPT-5.3-Codex。

這波密集發(fā)布直接「血洗華爾街」，甲骨文、Adobe、Salesforce、湯森路透、NEC 等知名公司股票遭拋售，近萬億刀市值蒸發(fā)。

國(guó)內(nèi)的 AI 戰(zhàn)場(chǎng)火藥味更濃。

騰訊元寶直接撒錢，阿里千問請(qǐng)喝奶茶，而字節(jié)豆包早已官宣深度參與 2026 年春晚互動(dòng)，期間將送出最高 8888 元的現(xiàn)金紅包，外加超 10 萬份科技禮包，涵蓋宇樹機(jī)器人、大疆無人機(jī)等 17 類前沿科技產(chǎn)品及智能家電。

這場(chǎng)春節(jié) AI 大戰(zhàn)，打的是真金白銀。但第一個(gè)堪稱現(xiàn)象級(jí)的，是字節(jié)最新上線的視頻創(chuàng)作模型 ——Seedance 2.0。沒發(fā)紅包，甚至還在內(nèi)測(cè)中，就火遍了全網(wǎng)。

Seedance 2.0 只是第一波「預(yù)熱」，字節(jié)的 AI 發(fā)力才剛剛開始。

2 月 14 日，火山引擎正式宣布豆包系列模型的全面升級(jí)，除了在海外社交媒體上刷屏的 Seedance 2.0，還包括豆包大模型 2.0圖像創(chuàng)作模型 Seedream 5.0 Lite

從基座模型、圖像到視頻生成，全是大版本更新，字節(jié)這次要在 AI 領(lǐng)域全面出擊。

豆包大模型 2.0：多模態(tài) + Agent 躋身第一梯隊(duì)

先說這個(gè)豆包大模型 2.0（Doubao-Seed-2.0），它是字節(jié)跳動(dòng)最新推出的多模態(tài) Agent 模型，也是豆包大模型自 2024 年 5 月正式發(fā)布以來首次大版本的跨代升級(jí)。

作為此次升級(jí)的重頭戲，豆包 2.0 已在多模態(tài)理解、企業(yè)級(jí) Agent 能力以及推理代碼能力三個(gè)維度上實(shí)現(xiàn)質(zhì)的飛躍。

在技術(shù)報(bào)告中，字節(jié)表示，豆包 2.0 專為在大規(guī)模生產(chǎn)環(huán)境中提供最佳用戶體驗(yàn)而設(shè)計(jì)，優(yōu)先考慮了大規(guī)模在線部署環(huán)境下的用戶體驗(yàn)。因此，模型針對(duì)最直接影響交互體驗(yàn)的視覺和多模態(tài)查詢、推理延遲與復(fù)雜指令可靠性三個(gè)方面進(jìn)行了著重加強(qiáng)：

• 增強(qiáng)了在幻覺壓力下的視覺推理能力，并改進(jìn)文檔和圖形的結(jié)構(gòu)化解析能力。
• 提供多種體量型號(hào)（Pro、Lite、Mini 三款通用 Agent 模型和 Code 模型），以應(yīng)對(duì)不同部署場(chǎng)景下延遲與性能之間的權(quán)衡。
• 擁有可靠的復(fù)雜指令執(zhí)行能力，可準(zhǔn)確執(zhí)行高度約束、多步驟任務(wù)。

數(shù)學(xué)與視覺推理方面，豆包 2.0 Pro 在 MathVista、MathVision、MathKangaroo、MathCanvas 等數(shù)學(xué)推理基準(zhǔn)上達(dá)到業(yè)界最優(yōu)水平，在科學(xué)領(lǐng)域的整體成績(jī)與 Gemini 3 Pro 和 GPT 5.2 相當(dāng)。

在 VLMsAreBiased、VLMsAreBlind、BabyVision 等視覺感知能力基準(zhǔn)中，豆包 2.0 取得了業(yè)界最高分。

推理和 Agent 能力評(píng)測(cè)中，豆包 2.0 Pro 在 IMO、CMO 數(shù)學(xué)奧賽和 ICPC 編程競(jìng)賽中獲得金牌成績(jī)，也超越了 Gemini 3 Pro 在 Putnam Bench 上的表現(xiàn)。

HLE-text（人類的最后考試）上，豆包 2.0 Pro 取得最高分 54.2 分：

豆包 2.0 還重點(diǎn)強(qiáng)化了指令遵循能力。相關(guān)評(píng)測(cè)顯示，豆包 2.0 可保持較強(qiáng)的一致性與可控性，這為其作為 Agent 模型在長(zhǎng)鏈路、多步驟任務(wù)中嚴(yán)格按約束條件執(zhí)行奠定基礎(chǔ)。

目前，模型 API 已在火山引擎上線。

體驗(yàn)鏈接：https://console.volcengine.com/

接下來讓我們上手實(shí)測(cè)一番。

多模態(tài)理解

在多模態(tài)理解方面，豆包 2.0 不僅能精準(zhǔn)提取文字、深度理解圖表，更具備出色的空間感知、運(yùn)動(dòng)捕捉和長(zhǎng)視頻解析能力。

豆瓣有個(gè)「史上寫字最爛小組」，一群寫字稀爛的人在這里展示著自己那飽受爭(zhēng)議的書法，只要字跡足夠潦草、丑陋，就能在組里封神。其中有個(gè)「燒腦毒體大合集」，里面全是從餐廳選購(gòu)食材的本本上摘的爛字，甚至還有「通假字」。

我們選擇豆包 APP 的「專家」模式，讓豆包 2.0 辨認(rèn)下。

這幾個(gè)龍飛鳳舞的字，豆包全都認(rèn)對(duì)了。它不僅能識(shí)別常規(guī)字跡，還能結(jié)合后廚速記習(xí)慣，破譯「自然粉即孜然粉」等諧音簡(jiǎn)寫。這說明它沒有停留在字符識(shí)別層面，還能根據(jù)業(yè)務(wù)場(chǎng)景進(jìn)行語義推理。

再來試試表格理解和處理。

我們丟給它一個(gè)統(tǒng)計(jì)表，要求它先提取文字、計(jì)算每種飲料銷售額，并按銷售額從高到低排序。

豆包按需調(diào)用工具，文字提取絲毫不差，自主理解任務(wù)邏輯，準(zhǔn)確應(yīng)用銷售額計(jì)算公式，最終排完序以結(jié)構(gòu)化表格呈現(xiàn)。

整個(gè)過程體現(xiàn)了 OCR 識(shí)別、數(shù)學(xué)運(yùn)算、邏輯推理的深度融合，并提供可下載的實(shí)用化輸出。

我們又試了下圖片識(shí)別，讓豆包數(shù)圖中的卡通小狗，并介紹品種。

模型迅速響應(yīng)，還標(biāo)注每只小狗的空間方位，描述其外觀特征，如西施犬「頭頂紅色蝴蝶結(jié)」等細(xì)節(jié)。

回溯它的思考過程，我們發(fā)現(xiàn)它為了防止出錯(cuò)，會(huì)進(jìn)行反復(fù)驗(yàn)證。

推理代碼能力和企業(yè)級(jí) Agent 能力

豆包 2.0 的推理能力也大幅躍升，支持思考長(zhǎng)度靈活調(diào)節(jié)，且各思考長(zhǎng)度下 Token 效率全面提升，在代碼生成特別是前端開發(fā)領(lǐng)域表現(xiàn)尤為亮眼。

比如，我們?cè)?TRAE 中調(diào)用豆包 2.0 Code，輸入 Prompt : write a python code that visualizes how a traffic light works in a one way street with cars entering at random rate.（編寫一個(gè) Python 代碼，可視化單行道中交通信號(hào)燈的工作情況，車輛以隨機(jī)速率駛?cè)搿＃?/p>

每輛車被賦予不同色彩以增強(qiáng)視覺辨識(shí)度，交通信號(hào)燈在紅綠狀態(tài)間自動(dòng)切換，車輛嚴(yán)格遵循「紅燈停、綠燈行」規(guī)則。

再比如，Prompt：Simulate a realistic water ripple effect on an HTML canvas. When the user clicks, ripples should spread outward and interact with each other.（在 HTML 畫布上模擬逼真的水波紋效果。當(dāng)用戶點(diǎn)擊時(shí)，水波紋應(yīng)向外擴(kuò)散并相互影響。）

它能在點(diǎn)擊位置生成水波紋，以同心圓形式向外自然擴(kuò)散并逐漸衰減，當(dāng)波紋觸及畫布邊界時(shí)還會(huì)產(chǎn)生反彈效果，符合真實(shí)的水波物理特性。

再來生成個(gè)小游戲。

僅憑一句「生成一個(gè)精美的超級(jí)瑪麗小游戲」，豆包 2.0 就成功生成了功能完整、完全可玩的游戲。

畫面設(shè)計(jì)精美細(xì)致，模型完整實(shí)現(xiàn)游戲核心機(jī)制，左上角實(shí)時(shí)顯示分?jǐn)?shù)和生命數(shù)，整個(gè)游戲從 UI 設(shè)計(jì)到交互邏輯都達(dá)到了可發(fā)布水平。

它生成的經(jīng)典貪吃蛇小游戲，也實(shí)現(xiàn)了流暢的移動(dòng)邏輯和碰撞檢測(cè)，還加入實(shí)時(shí)得分系統(tǒng)。

此外，在企業(yè)級(jí)應(yīng)用場(chǎng)景中，模型能更好支持對(duì) Skills 的理解和應(yīng)用，F(xiàn)unction Call 、多輪指令遵循、搜索和工具調(diào)用能力顯著增強(qiáng)，格式輸出更穩(wěn)定，并能靈活管理上下文，輕松應(yīng)對(duì)數(shù)據(jù)分析、智能客服等復(fù)雜、長(zhǎng)程任務(wù)。

Seedance 2.0：內(nèi)測(cè)即爆火

Seedance 2.0 的火爆程度無需多言，推特、B 站上網(wǎng)友整活已經(jīng)鋪天蓋地。

人們普遍認(rèn)為，它在視頻創(chuàng)作領(lǐng)域達(dá)到了改變業(yè)界走向的水平，其對(duì)復(fù)雜場(chǎng)景、多人互動(dòng)和真實(shí)運(yùn)動(dòng)邏輯的把控能力讓人難辨真假。

國(guó)內(nèi)外一片好評(píng)。有網(wǎng)友用 Seedance 2.0 模擬 1670 年的新阿姆斯特丹，效果驚艷，連馬斯克都在底下評(píng)論「It’s happening fast.」

賈樟柯公開表示將用該技術(shù)創(chuàng)作短片，成為首位宣布使用該模型的知名導(dǎo)演。

《黑神話：悟空》制作人馮驥則表示「AIGC 童年時(shí)代結(jié)束」，同時(shí)也提出對(duì)虛假內(nèi)容泛濫的擔(dān)憂。

以前拍電影需要?jiǎng)”尽⒎昼R、拍攝、剪輯、特效，一堆人折騰好幾個(gè)月，現(xiàn)在一個(gè)人、一句提示詞，再加上幾次抽卡就能完成。

或許很多人還沒意識(shí)到這項(xiàng)技術(shù)的顛覆性，但已經(jīng)有不少博主用它「導(dǎo)演」未來電影了。

有網(wǎng)友還發(fā)現(xiàn) Seedance 2.0 可以將任意小說文本生成視頻，看樣子接下來會(huì)有一大批精美 AI 短劇來襲。

我們也上手試了下，讓它把世界上最短科幻小說《最后一個(gè)人》影視化。

這篇小說只有十七個(gè)單詞「The last man on earth sat alone in a room. There was a knock on the door....」（地球上最后一個(gè)人獨(dú)自坐在房間里，這時(shí)，忽然響起了敲門聲……）

僅憑以上提示詞，Seedance 2.0 就精準(zhǔn)捕捉到末日氛圍與懸念設(shè)定，生成一段 10 秒高質(zhì)量短片。

視頻以電影級(jí)的鏡頭語言展開敘事，開場(chǎng)畫面中孤獨(dú)的男子背對(duì)鏡頭坐在破敗房間里，隨著一陣敲門聲，鏡頭切換至男子驚恐的面部特寫，瞪大的雙眼和緊繃的表情比流量明星的演技還在線。

它還支持圖生視頻。基于宇樹機(jī)器人的參考圖，再加上提示詞，Seedance 2.0 完美呈現(xiàn)了所有關(guān)鍵要素，視頻在角色一致性、動(dòng)作連貫性和氛圍渲染方面都表現(xiàn)得很出色。

圖生視頻。提示詞：視頻整體風(fēng)格為賽博朋克風(fēng)格，中景鏡頭，畫面中只有圖片 1 的機(jī)器人和數(shù)字調(diào)音臺(tái)。背景閃爍著酒吧里的霓虹燈光。圖片 1 里的機(jī)器人在賽博朋克風(fēng)格的酒吧里做 DJ 打碟。圖片 1 里的機(jī)器人身穿夸張閃亮的服裝。

字節(jié)表示，Seedance 2.0 支持混合模態(tài)輸入，允許用戶同時(shí)輸入多達(dá) 9 張圖片、3 段視頻、3 段音頻以及自然語言指令，模型可參考輸入素材中的構(gòu)圖、動(dòng)作、運(yùn)鏡、特效、聲音等元素。生成出來的視頻最多 15 秒，還有雙聲道的音頻。

在技術(shù)上，Seedance 2.0 依靠海量世界知識(shí)、稀疏架構(gòu)的效能優(yōu)勢(shì)，以及多模態(tài)聯(lián)合訓(xùn)練涌現(xiàn)的強(qiáng)大泛化能力，實(shí)現(xiàn)了專業(yè)級(jí)的生成效果。其采用統(tǒng)一的多模態(tài)音視頻聯(lián)合生成架構(gòu)，集成了目前業(yè)界最全面的多模態(tài)內(nèi)容參考和編輯能力。相比 1.5 版本，Seedance 2.0 的生成質(zhì)量大幅提升，在復(fù)雜交互和運(yùn)動(dòng)場(chǎng)景下的可用率更高，物理準(zhǔn)確度、逼真度、可控性均顯著增強(qiáng)。

在評(píng)測(cè)表現(xiàn)上，Seedance 2.0 的視頻能力處于業(yè)內(nèi)領(lǐng)先水平，該模型可精準(zhǔn)呈現(xiàn)高張力大動(dòng)作與精細(xì)的微表情，并支持專業(yè)級(jí)組合運(yùn)鏡與敘事節(jié)奏控制。音頻維度上，Seedance 2.0 針對(duì)中文方言、戲曲及演唱場(chǎng)景，其指令響應(yīng)準(zhǔn)確度明顯提升。

Seedance 2.0 文字生成視頻能力評(píng)測(cè)。

在該模型出現(xiàn)后，我們終于可以肯定地說，視頻生成 AI 已經(jīng)走到了生產(chǎn)力的門檻上。

Seedream 5.0 Lite：圖像創(chuàng)作跨入頂尖水平

在圖像創(chuàng)作領(lǐng)域，從 Seedream 4.0 開始，字節(jié)就與谷歌 Nano Banana Pro 展開正面競(jìng)爭(zhēng)，并憑借出色的 P 圖質(zhì)量在社交媒體火出圈。也就是說，在 AI 生成圖像這個(gè)競(jìng)爭(zhēng)最激烈的賽道，字節(jié)也已位列領(lǐng)先梯隊(duì)。

此次 Seedream 5.0 Lite 則是通向統(tǒng)一多模態(tài)模型的全新探索，相比 4.5 版本，它在理解、推理和生成能力上實(shí)現(xiàn)了全面躍升。

模型采用多模態(tài)理解生成統(tǒng)一架構(gòu)，能像人類設(shè)計(jì)師一樣洞察用戶意圖，即便面對(duì)簡(jiǎn)短模糊的描述也能準(zhǔn)確推測(cè)創(chuàng)作需求，在主體一致性和圖文對(duì)齊等方面表現(xiàn)顯著提升。

其內(nèi)置的世界知識(shí)體系覆蓋科技與人文多個(gè)垂類領(lǐng)域，生成結(jié)果更符合物理規(guī)律，信息可視化能力大幅增強(qiáng)。

Seedream 5.0 Lite首次引入了實(shí)時(shí)檢索增強(qiáng)能力，可通過聯(lián)網(wǎng)獲取最新知識(shí)和資訊，精準(zhǔn)響應(yīng)時(shí)效性創(chuàng)作需求，在資訊海報(bào)等場(chǎng)景中表現(xiàn)尤為出色。

比如，Prompt：A low-resolution digital picture focuses on a woman in a thick winter coat holding a mug of hot cocoa, laughing. Festive lights and blurred market stalls with holiday decorations fill the background under a light snowfall.

Prompt：A low-light digital picture captures a group of friends laughing around a bonfire on a sandy beach at night. The firelight illuminates their faces while the ocean is dark in the background.

三個(gè)模型看過來，我們能發(fā)現(xiàn)，豆包的一系列新技術(shù)名副其實(shí)，都是大版本級(jí)別的提升。隨著豆包的發(fā)布，這個(gè)春節(jié)檔已經(jīng)從「流量高峰」演變成了純純的「技術(shù)戰(zhàn)場(chǎng)」。

全模態(tài)的豆包，讓 AI 又上了一個(gè)臺(tái)階

字節(jié)的 AI 版圖還遠(yuǎn)不止如此。

語音領(lǐng)域，字節(jié)發(fā)布豆包實(shí)時(shí)語音大模型。這是一款語音理解和生成一體化的模型，實(shí)現(xiàn)了端到端語音對(duì)話，在語音表現(xiàn)力、控制力、情緒承接方面表現(xiàn)驚艷，并具備低時(shí)延、對(duì)話中可隨時(shí)打斷等特性。

比如前段時(shí)間羅永浩跨年演講上和豆包斗嘴，隨時(shí)打斷、要求每句話后面加「OK」、實(shí)時(shí)調(diào)整情緒，豆包全都能即時(shí)響應(yīng)。

具身智能領(lǐng)域，字節(jié) Seed-Robotics 團(tuán)隊(duì)最新推出 Seed GR-RL 強(qiáng)化學(xué)習(xí)框架，讓機(jī)器人在真實(shí)場(chǎng)景中穩(wěn)定完成多步驟、高精度的操作任務(wù)。

至于AI for Science，字節(jié)已經(jīng)耐心投入 5 年。Seed-AI for Science 團(tuán)隊(duì)圍繞生物領(lǐng)域基礎(chǔ)模型、量子化學(xué)、分子動(dòng)力學(xué)等方向，發(fā)布了 SeedFold、SeedProteo 等有影響力的學(xué)術(shù)成果。

這種全方位的技術(shù)儲(chǔ)備，正是字節(jié)敢于與 OpenAI、谷歌、Anthropic 等海外巨頭正面交鋒的底氣。

2026 年的春節(jié)，或許會(huì)成為 AI 應(yīng)用爆發(fā)的分水嶺。

我們正在見證首個(gè)真?國(guó)民級(jí) AI 入口的誕生。

文章視頻鏈接：https://mp.weixin.qq.com/s/ZRyuyS3bagk1UvwmUq8ZKw