一手实测豆包新发布的视觉理解大模型，他们真的卷起飞了

数字生命卡兹克

2024-12-18 12:42发布于北京科技领域创作者

全文2544字，阅读约需8分钟，帮我划重点

划重点

01字节火山发布会发布了豆包视觉理解模型，价格直接低85%，拉入“厘时代”。

02与GPT4o相比，豆包在数数、看图识景点等任务上表现更精准、更详细，对中国文化理解也更深入。

03然而，豆包在数学公式计算等方面仍存在错误率，需要继续优化。

04未来，随着视觉理解模型的进步，有望实现普通人更便捷的创意表达和营销需求。

以上内容由腾讯混元大模型生成，仅供参考

人在字节火山发布会现场。
眼睁睁看着他们发了一大堆的模型升级，眼花缭乱，有一种要一股脑把字节系的AI底牌往桌上亮的感觉。
有语音的，有音乐的，有大语言模型的，有文生图的，有3D生成。
图片
真的过于豪华了，字节真的是，家大业大。。。
但是看完了全场，我觉得最值得写一写，聊一聊的，还是这个：
豆包视觉理解模型。
图片
效果不仅出奇的好，最关键的是，他们的价格。
图片
价格直接低85%，直接把视觉理解模型拉入了“厘时代”。

字节，还是那个字节。

说实话，过去一两年，人人都在讲文字推理，讲大语言模型的爆点。
但是视觉理解，才一直是我们认知世界的第一道关卡。
当你来到这个世界睁开眼睛的第一刻，没有学会语言的时候，靠的就是你的眼睛。
我们先看到光影、颜色，才逐渐分辨出父母的面孔，屋子的空间，那时没有词汇、没有句子，只有模糊的光影与轮廓。
当我们对这个世界，通过视觉，一步步认识父母的脸，认识身边的玩具，认识窗外的树影，有了基本的认知后，然后才有了咿呀学语的过程。
它是我们触及世界的第一道门，不仅仅是看见了什么，更是用看去建立理解，进而触发思考与关联。
语言是有门槛的，你要先懂词语的意思。可视觉先于语言，是不需要翻译的输入。
有太多普通人，不知道如何描绘自己的需求，无法组织语言清楚的表达一件事，但是把图片扔给AI，问一下，这是任何人都会的。
上至80岁老人、下至10岁孩童，都可以。
所以，对于视觉理解模型，我才如此看重。
而这次新发布的豆包视觉理解模型，除了在火山开放了API，也已经在豆包上上线可以直接体验了。
我也第一时间，在发布会现场拉着我的朋友@赛博禅心和@Max，在会场厕所门口，从早上跑到中午，饭都没吃，跑了大概100个case，跟GPT4o对比做了个详细评测。
图片

虽然感觉有点对不起他两，但是最后的结果，还是很让人有点惊喜的。
我们测的第一波例子，也是很多视觉大模型最痛苦的，就是数数。
我这有一个万恶之源的图，在好多论文里面都出现过，就是让大模型来数这张图里面有几只狗。
图片
正常人类直接数中间的狗头，都非常清晰的能数清楚，一共是12只狗。
但是对于AI来说，那就炸了。数数这事，是最难的。
GPT4o非常自信的给了一个11只的答案。
图片
Claude3.5也一个样，自信的爆出了11只的答案，Claude和GPT这两冤家，差点弄的我以为自己数错了。
图片
直到把这张图发给豆包。
图片
我还怕豆包是不是幻觉了，连续roll了5次，每次都是坚定不移的12只。
而且相比于GPT，还准确的识别了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要强。
于是，我又让它俩，做了另一件更难的事。
红框里有几个手办？分别是什么角色？
图片
不仅需要精准的识别出数量，还要知道每个角色是啥，这个能答上来，那才是真的懂了。
结果GPT上来直接抽风，上来就是忽悠我4个。
图片
然后那些角色也在那给我瞎掰，不是，哪有孙悟饭啊？哪有金发角色啊？你家孙悟饭蓝头发啊？
真的，槽点太多，我都不知道从哪吐槽起了。
再回头看豆包。
图片
数量6个对了，4个《火影》系列的手办，从左到右其实是波风水门、漩涡鸣人、迪达拉、蝎，豆包对了前面两个水门和鸣人，再加漫威的一个雷神和绿巨人。
正确率66%，虽然没能完美识别，但也算是一个巨大的进步了。
这一波，说一句把GPT4o摁在地上打不过分吧。。。
测完数数后，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，测了一波。
大部分GPT4o和豆包都差不太多，几乎打了个平手，像大足石刻、悬空寺、开元寺这种都识别出来了，而像小西天、水陆庵野都一起翻车了。
本来我觉得这两会在这个点上打个平手，结果，最后一题，GPT4o翻了车。
图片
这个塔林，是山东济南灵岩寺塔林。自唐以降，墓塔成林。
早为钟，黄昏为鼓，白为方，才有了所谓“晨钟暮鼓白天方”。
而豆包，在这最后一题上，守住了自己的荣耀，回答了上来，从而险胜GPT4o一筹。
图片
在一些世界常识中，GPT4o也落败了。
比如这根经典的滚珠丝杆，做了个视觉误导，问哪根最长。
豆包没啥问题，准确的回答了左边第二根最长。
图片
但是GPT4o，却又翻车了，我roll了5次，每一次都信誓旦旦的告诉我，就是最左边最长，我都甚至怀疑是不是我自己的眼睛瞎了。。。
图片
我们也做了一个非常详细的统计表格。把豆包和GPT4o的评测，每个跑三次放在了一起对比。
也能看出来，在大多数的任务上，豆包的这个视觉理解大模型都比GPT4o识别的更精准、更详细，对中国文化的一些内容，懂的也更多。
图片
图片
图片
而且还有个很有趣的点，就是GPT4o因为那坑爹到家的安全限制，所以他没法看到任何人脸。
但是，豆包可以。
图片
当然，也并不是说豆包在视觉理解上，它就强到爆炸了。
不行的点，当然也有。
比如我们发现，在一些数学公式的计算上，错误率还是会有一些的。
比如这道题。
图片
答案其实是A。
但是扔给豆包的时候，会发现，回答还是会有一些错误。
图片
在一些复杂的计算上，还是会有一些差距，毕竟做题，真的一直以来都是大模型的短板。
但整体来看，这波升级就是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。
文章的最后，我突然想说一个关于我朋友和他想要的AI的故事。
这哥们是一个大概40岁出头的中年人，压力很大，背着房贷，四脚吞金兽还在地上跑。人在一线城市，平时要上班养家糊口，又在业余时间搞了点自己的小买卖，想减轻一点家里的压力。
他以前和我说过，他最大的痛苦就是没有时间学更专业的技能，他那个网店是卖点数码的小玩意，但是吧自己又不会拍好看的商品图，不懂设计，也没有钱请专业摄影师和设计师。
我当时给他推荐了一些电商的AI生图工具，能自动给产品做美化背景，能改色调、能帮他处理一些杂事。
但有个问题，这哥们没啥想象力，审美上也有点差异，所以对于AI绘图的那些Prompt描述能力不行，总是词不达意，AI给出的图经常也有点离谱。
后来有天，他跟我说过，他真正想要的那种AI产品，是他不用管那些乱七八糟的，是想让自己的数码小玩意融入一个夏日海滩的场景的时候，他只需要拍张桌上堆满物品的乱七八糟的图，然后把那个产品圈出来，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。”
AI看懂后，直接创作出一张清爽的营销图，就完事了。
这个哥们跟我聊天说这样的需求时，他眼睛里放光。问我有没有这样的东西。
我说，现在还真没有。
然后看着他可惜的眼神，嘴角轻轻的叹了口气。
但是我相信，随着视觉理解模型的进步，随着一句话改图的进步，随着这两者，发光发热继续融合。
一定会有那么一天，能让那哥们，有眼睛里发光的那天。
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，而是帮助。
帮助一个普通人在沉重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，让他们用更少的时间把脑中蓝图变为现实。
我觉得，这可能才是，最酷的事吧。

以上，既然看到这里了，如果觉得不错，随手点个赞、在看、转发三连吧，如果想第一时间收到推送，也可以给我个星标⭐～谢谢你看我的文章，我们，下次再见。

>/ 作者：卡兹克

查看原图 61K