2025 年 1 月，豆包大模型 1.5 全面上線火山方舟，其中豆包通用模型 pro 在多個(gè)權(quán)威測評集綜合得分優(yōu)于GPT4o、Claude 3.5 Sonnet 等業(yè)界一流模型，模型效果達(dá)到全球領(lǐng)先水平。

通用模型 pro 實(shí)現(xiàn)了性能與推理成本極致平衡，采用高效的 MoE 模型結(jié)構(gòu)，性能杠桿提升至 7 倍，更有自研的高性能推理系統(tǒng)，可以達(dá)到 10 毫秒級低延遲。并且，豆包大模型 1.5 建了高度自主的數(shù)據(jù)生產(chǎn)體系，未使用任何其他模型生成的數(shù)據(jù)。

除此之外，豆包通用模型 pro、豆包·視覺理解模型均有大幅增強(qiáng)，并發(fā)布豆包·實(shí)時(shí)語音模型。但豆包大模型 1.5 全產(chǎn)品，加量不加價(jià)，仍繼續(xù)保持原有模型價(jià)格不變。

本文實(shí)測了豆包大模型 1.5 產(chǎn)品家族后，看到了字節(jié)不走捷徑的底氣。

一、綜合能力優(yōu)于業(yè)界一流模型

Doubao-1.5-pro 模型綜合能力顯著增強(qiáng)，在知識（MMLU_PRO、GPQA）、代碼（McEval、FullStackBench）、推理（DROP）、中文（CMMLU、C-Eval）權(quán)威測評基準(zhǔn)上獲得最佳成績，綜合得分優(yōu)于GPT-4o、Claude 3.5 Sonnet 等業(yè)界一流模型。

話不多說，先通過和其他行業(yè)內(nèi)領(lǐng)先大模型的對比來直觀感受一下。針對推理能力，設(shè)置一個(gè)大約在初級和中級水平的代碼問題：問題：使用 Flask 框架創(chuàng)建一個(gè)簡單的 Web API，包含以下兩個(gè)端點(diǎn)：

/: 返回一個(gè)歡迎消息，例如 {"message": "Welcome to the API!"}。/add: 接受兩個(gè)整數(shù)參數(shù) a 和 b（通過查詢參數(shù)傳遞），返回它們的和，例如 {"sum": 5}。

要求：

提供可運(yùn)行的完整代碼。說明如何在本地運(yùn)行此代碼并進(jìn)行測試。

這一測試題所傳達(dá)的需求明確清晰且聚焦于核心功能，但并未說明如何處理錯(cuò)誤邏輯或參數(shù)類型。先來看GPT-4o 將如何應(yīng)對：

可以看到 GPT-4o 的答案相對中規(guī)中矩，并針對問題本身包含的漏洞，給出了一個(gè)錯(cuò)誤處理示例。再來看看 Doubao-1.5-pro 給出的答案：

顯而易見，豆包關(guān)于代碼問題的輸出格式設(shè)置，會(huì)更貼近原生的編碼界面。相較于 GPT-4o ，能夠進(jìn)行必要且詳細(xì)的代碼說明，并且在這一部分對參數(shù)類型問題就給出了預(yù)設(shè)和解答，即如果參數(shù)并不有效，狀態(tài)代碼就為400，然后才給出了運(yùn)行代碼并進(jìn)行測試的方法。總體而言，Doubao-1.5-pro  相較于 GPT-4o 輸出的代碼會(huì)更加精細(xì)一點(diǎn)。

針對“知識能力”一項(xiàng)，將 Doubao-1.5-pro 和同為主打中文語境的一個(gè)國產(chǎn)模型進(jìn)行對比，提出的問題是：唐代有哪些古詩中包含“過年”這件事？國內(nèi)某大模型產(chǎn)品給出的答案是：

給出的答案數(shù)量有十個(gè)之多，但每個(gè)答案的顆粒度不夠，僅包括作者和50字左右的大概介紹，于用戶而言可能無法對提出的問題有深入的了解。

Doubao-1.5-pro  則相對完美地規(guī)避掉了這一問題。先在邏輯上進(jìn)行了清晰的劃分，給出了體現(xiàn)過年氛圍與習(xí)俗與抒發(fā)過年時(shí)情感思緒的兩個(gè)大方向，并且針對所給出的每一個(gè)答案的顆粒度也相對細(xì)些，包括了原文和解析，內(nèi)容明顯更豐富。

針對復(fù)雜問題的推理能力，Doubao-1.5-pro  在現(xiàn)實(shí)的中文語境中展現(xiàn)出了明顯的優(yōu)勢，所提出的問題是：2025年上半年，我有3萬元想進(jìn)行理財(cái)，是選擇中國建設(shè)銀行還是選擇中國工商銀行?收益各是多少? Gemini  1.5 Flash 給出的回答如下：

也許是由于數(shù)據(jù)庫的問題，Gemini 推理出的結(jié)果會(huì)相對空泛，并沒有給出實(shí)質(zhì)性的建議，也沒有給出題目中要求的大致收益。而 Doubao-1.5-pro  的回答則具有針對性，并能夠條理清晰、分門別類的給出針對活期類、定期類、特色理財(cái)產(chǎn)品的的不同收益，能夠滿足問題提出者對這一問題的基本需求。

中文能力方面，設(shè)置的問題是：請以愛情和輕舟已過萬重山為主題，寫一首七言律詩。Doubao-1.5-pro 的遣詞造句明顯優(yōu)于 GPT-4o 等其他的模型，并能夠更進(jìn)一步給出首聯(lián)、頷聯(lián)、頸聯(lián)、尾聯(lián)解析。

而 GPT-4o 的中文能力則稍遜一節(jié)，回答得相對簡單，詞藻也較為樸素。

除了 Doubao-1.5-pro  ，本次也發(fā)布了更加輕量化的 Doubao-1.5-lite 。Doubao-1.5-lite 具備極致的響應(yīng)速度，適用于對時(shí)延有更高要求的場景，模型配合精調(diào)使用可以獲得更優(yōu)質(zhì)的效果，并且在輕量版語言模型中處于領(lǐng)先水平，在綜合（MMLU_pro）、推理（BBH）、數(shù)學(xué)（MATH）、專業(yè)知識（GPQA）權(quán)威測評指標(biāo)持平或超越GPT-4omini，Cluade 3.5 Haiku。先來感受一下極致的推理和響應(yīng)速度，提問一個(gè)中等難度的推理問題：有三個(gè)人分別穿著紅、藍(lán)、綠三種顏色的衣服，他們分別來自 A、B、C 三個(gè)城市。已知：穿紅衣服的人不是來自 A 城市；穿藍(lán)衣服的人來自 C 城市；來自 A 城市的人沒有穿綠衣服。請問，這三個(gè)人分別來自哪個(gè)城市，穿著什么顏色的衣服？

在不省略已知條件、推理過程的情況下， Doubao-1.5-lite 輸出答案僅用了 1.55 秒，這個(gè)推理時(shí)間確實(shí)極致。再提出一個(gè)更復(fù)雜的專業(yè)問題：請簡述股票估值的三種主要方法(市盈率法、現(xiàn)金流折現(xiàn)法、凈資產(chǎn)法)，并分析在不同市場環(huán)境下，哪種方法更適用？

這是一道金融行業(yè)的專業(yè)知識題目。Doubao-1.5-lite 的回答內(nèi)容詳實(shí)，能夠 cover 住垂直領(lǐng)域的專業(yè)知識，并且在面對龐雜的、體量大的問題時(shí)，總輸出時(shí)長只有 6.77 秒，同樣在一個(gè)低時(shí)延的水平范圍內(nèi)。

值得一提的是，Doubao-1.5-lite 模型效果比肩去年 9 月份發(fā)布的主力模型 Doubao-pro-32k-0828，這意味著用戶可以用 lite 模型的成本，獲得過去 pro 模型的效果。

無論是 Doubao-1.5-pro 還是 Doubao-1.5-lite，都是字節(jié)在追求模型性能與推理性能的極致平衡，也是字節(jié)一路積累下來的基本功的體現(xiàn)。

從訓(xùn)練和推理效率的角度出發(fā)，Doubao-1.5-pro 使用稀疏 MoE 架構(gòu)。在預(yù)訓(xùn)練階段，僅用較小參數(shù)激活的 MoE 模型，性能即可超過 Llama3.1-405B 等超大稠密預(yù)訓(xùn)練模型。豆包團(tuán)隊(duì)通過對稀疏度 Scaling Law 的研究，確定了性能和效率比較平衡的稀疏比例，并根據(jù) MoE Scaling Law 確定了小參數(shù)量激活的模型即可達(dá)到世界一流模型的性能，等效 7 倍激活參數(shù)的Dense模型性能，遠(yuǎn)超業(yè)內(nèi) MoE 架構(gòu)約 3 倍杠桿的常規(guī)效率。

基于 MoE 模型，豆包搭建了高性能推理系統(tǒng)，在 Prefill/Decode 與 Attention/FFN 構(gòu)成的四個(gè)計(jì)算象限中，表現(xiàn)出顯著不同的計(jì)算與訪存特征。針對四個(gè)不同象限，采用異構(gòu)硬件結(jié)合不同的低精度優(yōu)化策略，在確保低延遲的同時(shí)大幅提升吞吐量，在降低總成本的同時(shí)兼顧 TTFT 和 TPOT 的最優(yōu)化目標(biāo)。

更重要的是，在 PostTraining 階段，豆包團(tuán)隊(duì)構(gòu)建了一套完全自主的數(shù)據(jù)生產(chǎn)體系，將標(biāo)注團(tuán)隊(duì)與模型 self play 技術(shù)相結(jié)合，提升數(shù)據(jù)標(biāo)注多樣性和難度，確保數(shù)據(jù)來源的獨(dú)立性和可靠性。在豆包大模型1.5的訓(xùn)練過程中，未使用任何其他模型生成的數(shù)據(jù)。這意味著，字節(jié)在踩踏實(shí)大模型訓(xùn)練的基本功、加大基礎(chǔ)工程投入、放棄短期獲利，這已經(jīng)區(qū)別于世界范圍內(nèi)絕大多數(shù)不肯下“笨功夫”的大模型公司。

二、視覺推理、指令遵循達(dá)新高

本次發(fā)布中，豆包的視覺理解能力令人驚艷，具備市面上絕大多數(shù) To C 的 AI Chatbot 并不具備精準(zhǔn)的圖像理解、識別、問答能力。Doubao-1.5-vision-pro 在多模態(tài)數(shù)據(jù)合成、動(dòng)態(tài)分辨率、多模態(tài)對齊、混合訓(xùn)練上進(jìn)行了全面的技術(shù)升級，進(jìn)一步增強(qiáng)了模型在視覺推理、文字文檔識別、細(xì)粒度信息理解、指令遵循方面的能力，也擁有了更細(xì)膩的視覺描述能力。Doubao-1.5-vision-pro 的視覺能力在多個(gè)權(quán)威測評基準(zhǔn)上取得了全球領(lǐng)先表現(xiàn)：

基于原生動(dòng)態(tài)分辨率的架構(gòu)設(shè)計(jì)，Doubao-1.5-vision-pro 能夠支持任意分辨率和極端長寬比圖像識別。因此，無論是高清大圖還是低分辨率的小圖，亦或是極端長寬比例的圖像，模型都能實(shí)現(xiàn)精準(zhǔn)的特征提取和高效的計(jì)算性能。先來看一下針對復(fù)雜圖表的理解能力。給出如下圖表，并向 Doubao-1.5-vision-pro 提問：該圖表反映了什么內(nèi)容？

從上述的回答中可以見得， Doubao-1.5-vision-pro 對圖表內(nèi)數(shù)據(jù)內(nèi)容的解讀是準(zhǔn)確無誤的，并能針對某些數(shù)值給出基本的關(guān)于趨勢、顯著性的結(jié)論。

針對低清晰度問題，給出如下一張清晰度低、分辨率低的界面，進(jìn)而考察模型對其中內(nèi)容識別和理解的準(zhǔn)確程度。

從上述的回答中可知，Doubao-1.5-vision-pro 同樣能夠準(zhǔn)確識別模糊內(nèi)容，并做出基礎(chǔ)的推理判斷：用戶正在為視頻應(yīng)用創(chuàng)意外觀預(yù)設(shè)并進(jìn)行色彩調(diào)整。再上一個(gè)難度，針對字跡潦草的手寫圖片，Doubao-1.5-vision-pro 能否準(zhǔn)確識別？

不得不說，這個(gè)圖片如果不仔細(xì)看的話，人眼都不一定能看清，而豆包則能提取道其中 95% 的關(guān)鍵詞和主題，且識別出了部分關(guān)鍵詞用藍(lán)色筆標(biāo)注來突出重點(diǎn)內(nèi)容，并進(jìn)一步總結(jié)該筆記聚焦于媒體研究領(lǐng)域。除了精準(zhǔn)的識別能力，Doubao-1.5-vision-pro 也具備強(qiáng)大的多類型圖片內(nèi)容提取能力。

上傳四張同一時(shí)期拍攝的照片，模型能在處理多張圖片時(shí)獲取關(guān)鍵要點(diǎn)，并總結(jié)出是“新年慶?！钡闹黝}。復(fù)雜指令遵循能力也是 Doubao-1.5-vision-pro 的亮點(diǎn)，通過系統(tǒng)性的原子能力拆解和多維度指令的邏輯組合，在后訓(xùn)練階段引入了多樣化的視覺指令數(shù)據(jù)，從而激發(fā)模型的指令遵循能力，從容應(yīng)對需要遵循更復(fù)雜指令的場景。

不僅視覺大模型的能力得到提升，本次豆包大模型1.5家族中還新推出了實(shí)時(shí)語音模型。該模型提出了新的 Speech2Speech 的端到端框架，不僅通過原生方法將語音和文本模態(tài)進(jìn)行深度融合，同時(shí)還實(shí)現(xiàn)了語音對話中真正意義上的語音理解生成端到端，相比傳統(tǒng)的 ASR+LLM+TTS 的級聯(lián)方式，不僅擁有高理解力（高智商），還具備語音高表現(xiàn)力與高控制力，以及模型整體在回復(fù)內(nèi)容和語音上的高情緒承接能力。

在語音多模態(tài)上，我們提出了新的 Speech2Speech 的端到端框架，不僅通過原生方法將語音和文本模態(tài)進(jìn)行深度融合，同時(shí)還實(shí)現(xiàn)了語音對話中真正意義上的語音理解生成端到端，相比傳統(tǒng)的 ASR+LLM+TTS 的級聯(lián)方式，在對話效果上有質(zhì)的飛躍。

可以說是一個(gè)情緒價(jià)值價(jià)值拉滿、表現(xiàn)能力生動(dòng)，也不怕被打斷的豆包了。

三、豆包 1.5 發(fā)布后，AI 更普惠

2024 年 5 月，豆包主力模型就將推理輸入價(jià)格降至“厘時(shí)代”，12 月火山引擎又讓視覺理解模型價(jià)格進(jìn)入“厘時(shí)代”。當(dāng)下豆包大模型 1.5 繼續(xù)保持原有模型價(jià)格不變，加量不加價(jià)，也會(huì)給火山引擎進(jìn)一步做大 B 端市場帶來更多可能性。

在這場曠日持久的大模型落地競賽中，字節(jié)給行業(yè)留下的印象是“從容”。支撐豆包大模型全產(chǎn)品價(jià)格普惠的原因，是推理成本持續(xù)優(yōu)化、毛利率的逐漸增加。據(jù)了解，豆包大模型去年大幅降價(jià)后，毛利率依然為正。其中，字節(jié)跳動(dòng)最新推出的豆包大模型 1.5，在推理成本優(yōu)化上取得進(jìn)一步突破，在火山引擎上售賣 API 的 Doubao-1.5-pro，毛利率仍能達(dá)到較為可觀的 50%。

不能只看到火山引擎中 API 價(jià)格下調(diào)的從容，更需要看到的是，豆包大模型團(tuán)隊(duì)所打造的綜合高效模型架構(gòu)、高性能推理體系、自建數(shù)據(jù)標(biāo)注工程等深厚的技術(shù)優(yōu)勢，以及對于大模型這條路不走捷徑的長期主義戰(zhàn)略。

更高性價(jià)比的服務(wù)也讓火山引擎在商業(yè)化落地的過程中跑在前列。2024 年，火山引擎在汽車行業(yè)與梅賽德斯-奔馳、廣汽集團(tuán)、領(lǐng)克汽車等多家企業(yè)達(dá)成合作；在金融行業(yè)與招商銀行、華泰證券、國信證券等企業(yè)進(jìn)行智能體創(chuàng)新探索；在教育行業(yè)和浙江大學(xué)、南京大學(xué)打造了 AI 教育示范合作案例。

豆包大模型 1.5 的升級和火山引擎在 B 端市場的進(jìn)一步拓展，二者生生相息、共同推進(jìn) AI 惠普。

雷峰網(wǎng)雷峰網(wǎng)雷峰網(wǎng)(公眾號：雷峰網(wǎng))

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。