火山引擎发布豆包 1.5・视觉深度思考模型，新增 GUI Agent 能力

IT之家 5 月 13 日消息，在今日举办的 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。

IT之家注：

GUI Agent 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。

广告声明：文内含有的对外跳转链接（包括不限于超链接、二维码、口令等形式），用于传递更多信息，节省甄选时间，结果仅供参考，IT之家所有文章均包含本声明。