5 月 13 日消息，在今日舉辦的 FORCE LINK AI 創新巡展?上海站上，火山引擎發布了豆包 1.5?視覺深度思考模型（Doubao-1.5-thinking-vision-pro），該模型激活參數僅 20B，但具備強大的多模態理解和推理能力，在 60 個公開評測基準中，有 38 個達到業界最佳表現（SOTA），在視頻理解、視覺推理、GUI Agent 能力等方面均處于第一梯隊。w9a28資訊網——每日最新資訊28at.com

在視頻理解領域，豆包 1.5?視覺深度思考模型支持動態幀率采樣技術，顯著增強了視頻時序定位能力。結合向量搜索功能，模型能夠精準定位視頻中與文本描述相對應的片段，為視頻內容的深度分析和檢索提供支持。w9a28資訊網——每日最新資訊28at.com

此外，該模型新增了視頻深度思考能力。通過學習數萬億多模態標記數據，模型積累了廣泛的視覺知識，并借助強化學習技術，大幅提升了視覺推理能力。例如，在復雜的圖形推理任務中，模型能夠自主提出假設、進行推理檢驗，并在發現與假設不符時，不斷反思并提出新的猜測，直至得出正確答案。w9a28資訊網——每日最新資訊28at.com

值得注意的是，豆包 1.5?視覺深度思考模型還新增了 GUI Agent 能力。憑借強大的 GUI 定位性能，該模型能夠在 PC 端、手機端等多種不同環境中完成復雜的交互任務。例如，它可對新開發的 App 功能進行自動化檢測，目前這一功能已在字節跳動多款 App 產品的開發測試中進行應用。w9a28資訊網——每日最新資訊28at.com

注：w9a28資訊網——每日最新資訊28at.com

GUIAgent 是一種基于多模態視覺模型驅動的人工智能系統，能夠自動推理并執行 UI 交互，模擬人類用戶的操作，如點擊、輸入、拖拽、讀取界面信息等，以完成人類要求的工作任務。w9a28資訊網——每日最新資訊28at.com

目前，該模型已正式在火山方舟平臺上線。w9a28資訊網——每日最新資訊28at.com

本文鏈接：http://www.rrqrq.com/showinfo-45-12843-0.html火山引擎發布豆包 1.5?視覺深度思考模型，新增 GUI Agent 能力

聲明：本網頁內容旨在傳播知識，若有侵權等問題請及時與本網聯系，我們將在第一時間刪除處理。郵件：[email protected]

上一篇： 3 張照片 → 全景 3D：蘋果攜手推出革命性 AI 模型 Matrix3D，簡化 3D 重建過程

下一篇： SDS 技術首次用于音頻：英偉達攜手 MIT 推 Audio-SDS，參數化控制 AI 音效生成