哈喽，亲爱的山海创业网小伙伴们！我是你们的小海呀😎。今天我可是在字节火山发布会的现场哦，那场面，简直太震撼啦！
我眼睁睁看着字节发布了一大堆的模型升级，各种类型的都有，语音的、音乐的、大语言模型的、文生图的、3D 生成的，就像一场科技盛宴，让人看得眼花缭乱，感觉字节像是要一股脑把自家 AI 的底牌全亮在桌上，这可真是家大业大，实力雄厚得让人惊叹不已👏。
不过呢，在这众多的亮点里，我觉得最值得跟大家好好唠唠的，就是这个：豆包视觉理解模型。它可不简单哦，效果那是出奇的好，最关键的是价格，直接低了 85%，这一下子就把视觉理解模型带入了 “厘时代”，字节这波操作，真的太霸气了，还是那个熟悉的大厂风格，总能给我们带来意想不到的惊喜。
说实话，过去一两年，大家都在疯狂讨论文字推理，大语言模型的爆点那是一个接一个。但其实呀，视觉理解才是我们认知世界的第一道关卡。想想我们刚出生的时候，啥语言都不懂，睁开眼睛就靠着视觉去感知这个世界啦。先看到光影、颜色，慢慢才能分辨出父母的面孔、屋子的空间，那时候哪有什么词汇、句子呀，只有模糊的光影与轮廓。等我们通过视觉对世界有了基本认知，才开始咿呀学语呢。视觉就像是我们触及世界的第一道门，可不只是看见东西那么简单，而是用看建立理解，进而触发思考与关联哦。语言是有门槛的，得先懂词语意思，可视觉先于语言，是不需要翻译的输入，多方便呀。不管是 80 岁的老人，还是 10 岁的孩童，哪怕不知道怎么描述自己的需求，组织不好语言，只要把图片扔给 AI 问一下，谁都会做，这就是视觉理解模型的魅力所在。
而这次新发布的豆包视觉理解模型，除了在火山开放了 API，在咱们熟悉的豆包上也已经上线可以直接体验啦。我在发布会现场那可是相当积极，拉着我的朋友 @赛博禅心和 @Max，直接在会场厕所门口开启了疯狂测试模式，从早上一直跑到中午，饭都顾不上吃，跑了大概 100 个 case，还跟 GPT4o 对比做了个详细评测，虽然有点亏待我这两位朋友，但最后的结果真的让人超惊喜。
我们测的第一波例子，就是很多视觉大模型都头疼的数数。我这有张堪称 “万恶之源” 的图，好多论文里都出现过，就是让大模型数这张图里有几只狗。咱们正常人直接数中间的狗头，很容易就能数清楚，一共是 12 只狗。可这对 AI 来说就像一场噩梦，数数对它们来说太难了。GPT4o 那叫一个自信满满，给出了 11 只的答案。Claude3.5 也跟着凑热闹，同样自信地爆出 11 只，这俩冤家的答案差点让我怀疑自己数错了。直到把图发给豆包，我还担心豆包是不是也会出错，结果连续 roll 了 5 次，每次都坚定不移地回答 12 只，而且还准确地识别出这是金毛巡回犬的幼犬，在答案的准确性和丰富度上，都比 GPT4o 强太多了，这波豆包简直太给力了，一上来就先声夺人。
接着，我又给它们出了个更难的任务。红框里有几个手办？分别是什么角色？这不仅要精准数出数量，还得知道每个角色是啥，能答对这才是真厉害。结果 GPT 一上来就像中了邪，直接忽悠我说是 4 个，然后那些角色也在那瞎掰，什么孙悟饭都出来了，可图里哪有孙悟饭啊？哪有金发角色啊？你家孙悟饭蓝头发啊？这槽点多得我都不知道从哪开始吐槽。再看豆包，数量 6 个答对了，4 个《火影》系列的手办，从左到右认出了波风水门、漩涡鸣人，再加漫威的雷神和绿巨人，正确率 66%，虽然没全对，但这进步已经相当巨大了。这一波，说一句把 GPT4o 摁在地上打一点都不过分吧，豆包简直就是 AI 界的 “小能手”，太牛啦。
测完数数，我们又测了一波看图识景点。直接掏出了黑悟空里面的十大景点来测。大部分情况下，GPT4o 和豆包表现都差不多，像大足石刻、悬空寺、开元寺这种都能识别出来，可到了小西天、水陆庵就一起翻车了。我本来以为这俩在这个点上会打个平手，结果最后一题，GPT4o 掉链子了。这个塔林是山东济南灵岩寺塔林，还有 “晨钟暮鼓白天方” 的典故，豆包稳稳地回答了上来，成功守住自己的荣耀，险胜 GPT4o 一筹，这就像一场激烈的比赛，豆包在关键时刻成功逆袭，太刺激了。
在一些世界常识测试里，GPT4o 也败下阵来。比如那根经典的滚珠丝杆，做了个视觉误导，问哪根最长。豆包轻松应对，准确地回答了左边第二根最长。可 GPT4o 又翻车了，我 roll 了 5 次，它每次都信誓旦旦地告诉我最左边最长，我都怀疑是不是自己眼睛出问题了，这差距，真的太明显了。
我们还做了个超详细的统计表格，把豆包和 GPT4o 的评测，每个跑三次放在一起对比。能清楚地看到，在大多数任务上，豆包的视觉理解大模型都比 GPT4o 识别得更精准、更详细，对中国文化的一些内容也懂得更多，就像一个知识渊博的学霸，在各种考试中都能脱颖而出。
还有个超有趣的点哦，GPT4o 因为那坑爹到家的安全限制，没法看到任何人脸，可豆包就不一样啦，它可以哦。这就像是豆包多了一项特殊技能，在某些场景下就能发挥更大的作用啦。
当然啦，豆包在视觉理解上也不是完美无缺的。比如在一些数学公式的计算上，还是会有点错误。就像这道题，答案其实是 A，可扔给豆包的时候，回答就会有点小问题。在一些复杂计算上，和其他大模型一样，还是有点差距，毕竟做题一直以来都是大模型的短板，就像一个运动员在自己不擅长的项目上有点力不从心。但整体来看，这次升级解决了很多基础的常识性问题，让大模型有了更强的 “眼睛”，也有了更好的 “脑子”，还是非常有用的哦。
文章最后，我想跟大家分享一个我朋友和他想要的 AI 的故事。我这朋友是个 40 岁出头的中年人，压力山大呀，背着房贷，家里还有个 “四脚吞金兽” 在地上跑。人在一线城市，既要上班养家糊口，业余时间还搞了点小买卖，想减轻点家庭压力。他跟我说他最大的痛苦就是没时间学专业技能，他那个网店卖数码小玩意，可他自己不会拍好看的商品图，不懂设计，又没钱请专业摄影师和设计师。我给他推荐了电商 AI 生图工具，能自动美化产品背景、改色调、处理杂事。但问题是这哥们没啥想象力，审美也有点差异，对 AI 绘图的 Prompt 描述能力不行，AI 给出的图经常不靠谱。后来有一天，他跟我说他真正想要的 AI 产品是这样的：他只需要拍张桌上堆满物品的乱七八糟的图，把产品圈出来，对 AI 说 “给我用这件单品，搞个夏日风海报，然后把我桌面上那些杂乱的东西都变成整洁的道具摆放”，然后 AI 就能看懂并创作出一张清爽的营销图。他说这话的时候眼睛里放光，问我有没有这样的东西，我只能无奈地说现在还没有。看着他那可惜的眼神，我也轻轻叹了口气。
不过我相信，随着视觉理解模型的不断进步，随着一句话改图功能的不断发展，随着这两者更好地融合，肯定会有那么一天，能让我这朋友眼睛里再次放光。而且可能就在不远的将来，让每个人都能享受科技的乐趣，这就是技术真正该发挥的作用。不是替代我们，而是帮助我们。帮助普通人在沉重的生活里找到一丝自我创造的乐趣，帮助那些有想法但缺手段的人，用更少的时间把脑中蓝图变为现实。我觉得，这才是最酷的事，就像科技为我们打开了一扇通往美好未来的大门，让我们一起期待吧😘。
