2024年12月火山引擎FORCE大会上，豆包视觉理解模型正式发布——用户可同时输入文本和图像，模型综合理解后给出精准回答。更关键的是价格：0.003元/千tokens，1块钱可处理284张720P图片，比行业价格便宜85%。国信证券在豆包大模型行业专题报告中指出，视觉理解模型的发布标志着豆包大模型从“纯文本”迈向“多模态”的关键跨越，极低的价格门槛有望推动视觉理解能力在金融、医疗、教育、旅游等场景的大规模普及。
视觉理解模型的核心能力——文本+图像的综合理解
豆包视觉理解模型支持用户同时输入文本和图像相关的问题，模型能够综合理解并给出准确的回答。这一能力将极大地简化应用开发流程——开发者不再需要在多个模型之间切换来完成图文混合任务。
三大核心能力共同构成了视觉理解模型的应用基础：
内容识别能力方面，模型能精准识别物体类别、形状及物体间关系，理解场景含义。例如通过影子识别猫、通过光照识别丁达尔效应，并能识别并科普现实对象。这种能力将计算机视觉从“分类”升级为“理解”。
理解和推理能力方面，模型能识别文字和图像信息实现复杂逻辑计算，解答微积分、分析论文图表、解决物理题及处理真实代码。这意味着模型不仅“看见”图像，还能“理解”图像中的抽象信息并完成推理。
视觉描述与创作能力方面，模型能根据图像描述创作内容，如为文创产品写祝福语、根据涂鸦创作故事、讲述物体背后的文化故事、创作古风诗歌等。这种能力将视觉理解与AIGC结合起来，打开了更丰富的应用场景。
极致性价比——1元处理284张图片，比行业便宜85%
豆包视觉理解模型的最大差异化优势在于价格。输入价格为0.003元/千tokens，1块钱可处理284张720P图片，比行业价格便宜85%。
极高性价比的战略意义在于：视觉理解能力首次具备了“大规模普及”的经济基础。此前，多模态大模型的调用成本普遍较高，企业只能在少数高价值场景中使用。豆包视觉理解模型的定价使视觉理解能力可以渗透到更多对成本敏感的领域。
从应用角度，极低的价格门槛将使以下场景受益：教育领域的学生作业批改与个性化辅导、医疗领域的影像辅助解读、电商领域的商品识别与推荐、文旅领域的智能导览与讲解、金融领域的票据识别与信息提取等。
目前，豆包视觉理解模型已经接入豆包App和PC端产品中，面向广大C端用户开放使用。
豆包通用模型Pro全面对齐GPT-4o
在视觉理解模型发布的同时，豆包通用模型Pro完成新版本迭代，综合任务处理能力较5月份提升32%，全方位对齐GPT-4o能力。
具体提升幅度：推理提升13%、指令遵循提升9%、代码提升58%、数学提升43%、专业知识能力提升54%。代码和数学的显著提升意味着模型在编程辅助和逻辑推理场景中的实用性大幅增强。
在保持能力对齐的同时，豆包Pro保持了显著的成本优势——推理输入价格为0.0008元/千tokens，远低于GPT-4o的调用价格。这种“能力对标+价格降维”的策略，使豆包在企业级市场竞争中具备了明显的性价比优势。
豆包视觉理解模型与通用模型Pro能力升级对比
表：豆包视觉理解模型与通用模型Pro核心能力升级| 模型/能力 | 核心功能 | 性能指标/价格 | 应用场景 |
|---|
| 豆包视觉理解模型 | 文本+图像输入、综合理解 | 0.003元/千tokens、1元/284张720P图 | 金融、医疗、教育、旅游 |
| 豆包通用模型Pro | 通用推理与任务处理 | 综合+32%、代码+58%、数学+43% | 全行业通用 |
| 能力对齐度 | 全面对齐GPT-4o | 推理输入0.0008元/千tokens | 企业级替代 |
| 内容识别 | 精准识别物体与场景 | 通过影子识别猫、光照识别丁达尔效应 | 视觉理解 |
| 复杂计算 | 微积分、论文图表分析、物理题 | 图文混合推理 | 教育、科研 |
