12月18日，在火山引擎Force大会上，字节跳动正式发布了豆包视觉理解模型，旨在为企业提供更具性价比的多模态大模型能力。该模型的发布，旨在降低企业应用多模态大模型的门槛和成本，推动AI技术的普及和应用发展。据官方介绍，豆包视觉理解模型在处理千tokens输入时的价格仅为3厘（即0.003元），这意味着用户仅需花费一元钱，即可处理多达284张720P分辨率的图片。这一价格相较于行业平均水平降低了85%，为企业用户带来了前所未有的实惠。
豆包视觉理解模型不仅能精准识别视觉内容，还具备出色的理解和推理能力，可根据图像信息进行复杂的逻辑计算，完成分析图表、处理代码、解答学科问题等任务。此模型依托字节跳动强大的算法和算力支持，能够快速准确地完成图像识别、理解等任务，为企业用户提供高效、稳定的视觉理解服务。此前，豆包视觉理解模型已经接入豆包App和PC端产品，并在实际应用中展现出良好的性能。
多模态大模型作为当前人工智能领域的前沿技术，能够同时处理和理解文本、图像、视频等多种类型的数据，对于提升企业智能化水平、优化业务流程具有重要意义。然而，高昂的处理成本一直是制约其广泛应用的关键因素之一。字节跳动此次发布的豆包视觉理解模型，通过大幅降低应用成本，有望加速多模态大模型在各行业的落地应用，推动人工智能技术的普及和发展。豆包大模型日均tokens使用量超过4万亿，发布7个月以来增长超过33倍，显示出其强大的市场潜力。
