火山引擎发布豆包 1.5・视觉深度思考模型，新增 GUI Agent 能力

5月13日消息，在今日举办的FORCELINKAI创新巡展・上海站上，火山引擎发布了豆包1.5・视觉深度思考模型（Doubao-1.5-thinking-vision-pro），该模型激活参数仅20B，但具备强大的多模态理解和推理能力，在60个公开评测基准中，有38个达到业界最佳表现（SOTA），在视频理解、视觉推理、GUIAgent能力等方面均处于第一梯队。在视频理解领域，豆包1.5・视觉深度思考模型支持动态帧率采样技术，显著增强了视频时序定位能力。结合向量搜索功能，模型能够精准定位视频中与文本描述相对应的片段，为视频内容的深度分析和检索提供支持。此外，该模型新增了视频深度思考能力。通过学习数万亿多模态标记数据，模型积累了广泛的视觉知识，并借助强化学习技术，大幅提升了视觉推理能力。例如，在复杂的图形推理任务中，模型能够自主提出假设、进行推理检验，并在发现与假设不符时，不断反思并提出新的猜测，直至得出正确答案。值得注意的是，豆包1.5・视觉深度思考模型还新增了GUIAgent能力。凭借强大的GUI定位性能，该模型能够在PC端、手机端等多种不同环境中完成复杂的交互任务。例如，它可对新开发的App功能进行自动化检测，目前这一功能已在字节跳动多款App产品的开发测试中进行应用。注：GUIAgent是一种基于多模态视觉模型驱动的人工智能系统，能够自动推理并执行UI交互，模拟人类用户的操作，如点击、输入、拖拽、读取界面信息等，以完成人类要求的工作任务。目前，该模型已正式在火山方舟平台上线。