如果o3图片推理很吸引你，那你一定要看看豆包大模型的新品

主要观点总结

火山引擎发布了豆包1.5·深度思考模型，包括大语言模型和多模态版本。该模型在数学、编程、科学等领域表现出色，并具备强大的视觉理解能力。豆包1.5·深度思考模型通过结合视觉和推理能力，能够处理复杂任务，如生物学、化学和地理学方面的视觉推理。此外，豆包App还推出了AI Agent工具和解决方案，支持客户基于工具套件自定制，并具备云原生推理套件来提供高性能、低成本的推理服务。火山引擎通过构建全面的技术体系，为企业提供从AI能力构建到业务场景落地的全栈解决方案。

关键观点总结

关键观点1: 豆包1.5·深度思考模型的发布

包括大语言模型和多模态版本，在数学、编程、科学等领域表现出色。

关键观点2: 豆包1.5·深度思考模型的视觉理解能力

具备强大的视觉理解能力，能够处理复杂任务，如生物学、化学和地理学方面的视觉推理。

关键观点3: 豆包App的AI Agent工具和解决方案

支持客户基于工具套件自定制，具备云原生推理套件来提供高性能、低成本的推理服务。

关键观点4: 火山引擎的技术体系和全栈解决方案

通过构建模型矩阵、智能体生态和云原生底座，为企业提供端到端的AI工业化能力。

关键观点5: 豆包1.5·深度思考模型的融合方法

优化了用户使用产品时的无感体验，触及了AI产品的本质。

正文

请到「今天看啥」查看全文

介绍完豆包1.5·深度思考模型的技术原理和场景适用性，我们再实际考察一下视觉理解和深度思考如何相辅相成。

本次测评涉及基础层面的计数、定位、知识引入、多元素识别等能力维度，在更高阶层面，主要考察了在教育场景中的应用，比如生物、化学、地理等。

首先是基础层面的测评，我们测试一下豆包1.5·深度思考模型多模态版的计数能力。

输入下图并提问：图中有几个人？

豆包1.5·深度思考模型多模态版的输出结果是6个人，回答准确。在思维链中，它将每个人的具体特征都分析了出来，包括衣服、发型、肤色等，甚至识别出了谁是拍照的人。

上述测试已经有体现出多元素识别的能力了，再看看下方这个表情识别的例子。

输入下图并提问：总结图片内容。

在推理过程中，豆包1.5·深度思考模型多模态版能准确地将图像整体进行空间划分，强调关注“共同点和差异点”，比如一些紫色、蓝色、红色的对象有特别意义等。在生成结果中，基本上每一个表情豆包1.5·深度思考模型多模态版都解释的很到位，特别是最后一个表情 （ 思考/欲言又止 ） ，没有和左边的混淆 （ 困惑 ） ，就很细节了。

我们再测试一下定位的能力，在下方放满包包的架子上，让豆包1.5·深度思考模型多模态版找到 “ 第一层有几个紫色的包？”

输入图像：

豆包1.5·深度思考模型多模态版 不仅找到了纯紫色的包，还找到了一个部分紫色的拼接包，后者说实话由于不是很明显或者太接近黑色，知危一开始都以为是胡说，结果还真是对的。

然后是测试豆包1.5·深度思考模型多模态版的知识引入能力，让它通过查看图中的食材种类来帮我们解决人生难题 “ 今晚吃什么？”

输入图像：

豆包1.5·深度思考模型多模态版认出了所有的食材种类，然后推导出主菜可以是汉堡或红烧肉，但同时做两道菜可能太腻， 因此豆包1.5·深度思考模型多模态版分析出有两种组合，一种是汉堡加香辣炒五花肉，另一种是红烧肉加蔬菜汉堡，都考虑到了解腻的要求，非常贴心。

请到「今天看啥」查看全文