火山引擎发布豆包 1.5・视觉深度思考模型，新增 GUI Agent 能力

【导语】5月13日，火山引擎在FORCE LINK AI创新巡展・上海站震撼发布豆包1.5・视觉深度思考模型。该模型以仅20B的激活参数，展现了卓越的多模态理解和推理能力，在60项公开评测中38项达到业界最佳。豆包1.5在视频理解、视觉推理及GUI Agent能力上均领先业界，为视频内容分析、多模态数据处理及UI自动化交互带来革新。目前，该模型已在火山方舟平台正式上线。

　　5 月 13 日消息，在举办的 FORCE LINK AI 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、GUI Agent 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 GUI Agent 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。