Agent、图像、视频全是大版本升级：春晚还没开，豆包AI就火了

来源：市场资讯

（来源：机器之心）

编辑｜泽南、杨文

「2026 年或将成为人类历史上最忙碌、也最具决定性的一年。」xAI 联创 Jimmy Ba 在离职宣言中如是说。

这话并非夸张。1 月初，Anthropic 推出 Agent 工具 Claude Cowork，并发布 11 个配套插件；一周前，Anthropic 与 OpenAI 又几乎同时推出新版本基础大模型 Claude Opus 4.6 与 GPT-5.3-Codex。

这波密集发布直接「血洗华尔街」，甲骨文、Adobe、Salesforce、汤森路透、NEC 等知名公司股票遭抛售，近万亿刀市值蒸发。

国内的 AI 战场火药味更浓。

腾讯元宝直接撒钱，阿里千问请喝奶茶，而字节豆包早已官宣深度参与 2026 年春晚互动，期间将送出最高 8888 元的现金红包，外加超 10 万份科技礼包，涵盖宇树机器人、大疆无人机等 17 类前沿科技产品及智能家电。

这场春节 AI 大战，打的是真金白银。但第一个堪称现象级的，是字节最新上线的视频创作模型 ——Seedance 2.0。没发红包，甚至还在内测中，就火遍了全网。

Seedance 2.0 只是第一波「预热」，字节的 AI 发力才刚刚开始。

2 月 14 日，火山引擎正式宣布豆包系列模型的全面升级，除了在海外社交媒体上刷屏的 Seedance 2.0，还包括豆包大模型 2.0 和图像创作模型 Seedream 5.0 Lite。

从基座模型、图像到视频生成，全是大版本更新，字节这次要在 AI 领域全面出击。

豆包大模型 2.0：多模态 + Agent 跻身第一梯队

先说这个豆包大模型 2.0（Doubao-Seed-2.0），它是字节跳动最新推出的多模态 Agent 模型，也是豆包大模型自 2024 年 5 月正式发布以来首次大版本的跨代升级。

作为此次升级的重头戏，豆包 2.0 已在多模态理解、企业级 Agent 能力以及推理代码能力三个维度上实现质的飞跃。

在技术报告中，字节表示，豆包 2.0 专为在大规模生产环境中提供最佳用户体验而设计，优先考虑了大规模在线部署环境下的用户体验。因此，模型针对最直接影响交互体验的视觉和多模态查询、推理延迟与复杂指令可靠性三个方面进行了着重加强：

• 增强了在幻觉压力下的视觉推理能力，并改进文档和图形的结构化解析能力。

• 提供多种体量型号（Pro、Lite、Mini 三款通用 Agent 模型和 Code 模型），以应对不同部署场景下延迟与性能之间的权衡。

• 拥有可靠的复杂指令执行能力，可准确执行高度约束、多步骤任务。

在数学与视觉推理方面，豆包 2.0 Pro 在 MathVista、MathVision、MathKangaroo、MathCanvas 等数学推理基准上达到业界最优水平，在科学领域的整体成绩与 Gemini 3 Pro 和 GPT 5.2 相当。

在 VLMsAreBiased、VLMsAreBlind、BabyVision 等视觉感知能力基准中，豆包 2.0 取得了业界最高分。

在推理和 Agent 能力评测中，豆包 2.0 Pro 在 IMO、CMO 数学奥赛和 ICPC 编程竞赛中获得金牌成绩，也超越了 Gemini 3 Pro 在 Putnam Bench 上的表现。

在 HLE-text（人类的最后考试）上，豆包 2.0 Pro 取得最高分 54.2 分：

豆包 2.0 还重点强化了指令遵循能力。相关评测显示，豆包 2.0 可保持较强的一致性与可控性，这为其作为 Agent 模型在长链路、多步骤任务中严格按约束条件执行奠定基础。

目前，模型 API 已在火山引擎上线。

体验链接：https://console.volcengine.com/

接下来让我们上手实测一番。

多模态理解

在多模态理解方面，豆包 2.0 不仅能精准提取文字、深度理解图表，更具备出色的空间感知、运动捕捉和长视频解析能力。

豆瓣有个「史上写字最烂小组」，一群写字稀烂的人在这里展示着自己那饱受争议的书法，只要字迹足够潦草、丑陋，就能在组里封神。其中有个「烧脑毒体大合集」，里面全是从餐厅选购食材的本本上摘的烂字，甚至还有「通假字」。

我们选择豆包 APP 的「专家」模式，让豆包 2.0 辨认下。

这几个龙飞凤舞的字，豆包全都认对了。它不仅能识别常规字迹，还能结合后厨速记习惯，破译「自然粉即孜然粉」等谐音简写。这说明它没有停留在字符识别层面，还能根据业务场景进行语义推理。

再来试试表格理解和处理。

我们丢给它一个统计表，要求它先提取文字、计算每种饮料销售额，并按销售额从高到低排序。

豆包按需调用工具，文字提取丝毫不差，自主理解任务逻辑，准确应用销售额计算公式，最终排完序以结构化表格呈现。

整个过程体现了 OCR 识别、数学运算、逻辑推理的深度融合，并提供可下载的实用化输出。

我们又试了下图片识别，让豆包数图中的卡通小狗，并介绍品种。

模型迅速响应，还标注每只小狗的空间方位，描述其外观特征，如西施犬「头顶红色蝴蝶结」等细节。

回溯它的思考过程，我们发现它为了防止出错，会进行反复验证。

推理代码能力和企业级 Agent 能力

豆包 2.0 的推理能力也大幅跃升，支持思考长度灵活调节，且各思考长度下 Token 效率全面提升，在代码生成特别是前端开发领域表现尤为亮眼。

比如，我们在 TRAE 中调用豆包 2.0 Code，输入 Prompt : write a python code that visualizes how a traffic light works in a one way street with cars entering at random rate.（编写一个 Python 代码，可视化单行道中交通信号灯的工作情况，车辆以随机速率驶入。）

每辆车被赋予不同色彩以增强视觉辨识度，交通信号灯在红绿状态间自动切换，车辆严格遵循「红灯停、绿灯行」规则。

再比如，Prompt：Simulate a realistic water ripple effect on an HTML canvas. When the user clicks, ripples should spread outward and interact with each other.（在 HTML 画布上模拟逼真的水波纹效果。当用户点击时，水波纹应向外扩散并相互影响。）

它能在点击位置生成水波纹，以同心圆形式向外自然扩散并逐渐衰减，当波纹触及画布边界时还会产生反弹效果，符合真实的水波物理特性。

再来生成个小游戏。

仅凭一句「生成一个精美的超级玛丽小游戏」，豆包 2.0 就成功生成了功能完整、完全可玩的游戏。

画面设计精美细致，模型完整实现游戏核心机制，左上角实时显示分数和生命数，整个游戏从 UI 设计到交互逻辑都达到了可发布水平。

它生成的经典贪吃蛇小游戏，也实现了流畅的移动逻辑和碰撞检测，还加入实时得分系统。

此外，在企业级应用场景中，模型能更好支持对 Skills 的理解和应用，Function Call 、多轮指令遵循、搜索和工具调用能力显著增强，格式输出更稳定，并能灵活管理上下文，轻松应对数据分析、智能客服等复杂、长程任务。

Seedance 2.0：内测即爆火

Seedance 2.0 的火爆程度无需多言，推特、B 站上网友整活已经铺天盖地。

人们普遍认为，它在视频创作领域达到了改变业界走向的水平，其对复杂场景、多人互动和真实运动逻辑的把控能力让人难辨真假。

国内外一片好评。有网友用 Seedance 2.0 模拟 1670 年的新阿姆斯特丹，效果惊艳，连马斯克都在底下评论「It’s happening fast.」

贾樟柯公开表示将用该技术创作短片，成为首位宣布使用该模型的知名导演。

《黑神话：悟空》制作人冯骥则表示「AIGC 童年时代结束」，同时也提出对虚假内容泛滥的担忧。

以前拍电影需要剧本、分镜、拍摄、剪辑、特效，一堆人折腾好几个月，现在一个人、一句提示词，再加上几次抽卡就能完成。

或许很多人还没意识到这项技术的颠覆性，但已经有不少博主用它「导演」未来电影了。

有网友还发现 Seedance 2.0 可以将任意小说文本生成视频，看样子接下来会有一大批精美 AI 短剧来袭。

我们也上手试了下，让它把世界上最短科幻小说《最后一个人》影视化。

这篇小说只有十七个单词「The last man on earth sat alone in a room. There was a knock on the door....」（地球上最后一个人独自坐在房间里，这时，忽然响起了敲门声……）

仅凭以上提示词，Seedance 2.0 就精准捕捉到末日氛围与悬念设定，生成一段 10 秒高质量短片。

视频以电影级的镜头语言展开叙事，开场画面中孤独的男子背对镜头坐在破败房间里，随着一阵敲门声，镜头切换至男子惊恐的面部特写，瞪大的双眼和紧绷的表情比流量明星的演技还在线。

它还支持图生视频。基于宇树机器人的参考图，再加上提示词，Seedance 2.0 完美呈现了所有关键要素，视频在角色一致性、动作连贯性和氛围渲染方面都表现得很出色。

图生视频。提示词：视频整体风格为赛博朋克风格，中景镜头，画面中只有图片 1 的机器人和数字调音台。背景闪烁着酒吧里的霓虹灯光。图片 1 里的机器人在赛博朋克风格的酒吧里做 DJ 打碟。图片 1 里的机器人身穿夸张闪亮的服装。

字节表示，Seedance 2.0 支持混合模态输入，允许用户同时输入多达 9 张图片、3 段视频、3 段音频以及自然语言指令，模型可参考输入素材中的构图、动作、运镜、特效、声音等元素。生成出来的视频最多 15 秒，还有双声道的音频。

在技术上，Seedance 2.0 依靠海量世界知识、稀疏架构的效能优势，以及多模态联合训练涌现的强大泛化能力，实现了专业级的生成效果。其采用统一的多模态音视频联合生成架构，集成了目前业界最全面的多模态内容参考和编辑能力。相比 1.5 版本，Seedance 2.0 的生成质量大幅提升，在复杂交互和运动场景下的可用率更高，物理准确度、逼真度、可控性均显著增强。

在评测表现上，Seedance 2.0 的视频能力处于业内领先水平，该模型可精准呈现高张力大动作与精细的微表情，并支持专业级组合运镜与叙事节奏控制。音频维度上，Seedance 2.0 针对中文方言、戏曲及演唱场景，其指令响应准确度明显提升。

Seedance 2.0 文字生成视频能力评测。

在该模型出现后，我们终于可以肯定地说，视频生成 AI 已经走到了生产力的门槛上。

Seedream 5.0 Lite：图像创作跨入顶尖水平

在图像创作领域，从 Seedream 4.0 开始，字节就与谷歌 Nano Banana Pro 展开正面竞争，并凭借出色的 P 图质量在社交媒体火出圈。也就是说，在 AI 生成图像这个竞争最激烈的赛道，字节也已位列领先梯队。

此次 Seedream 5.0 Lite 则是通向统一多模态模型的全新探索，相比 4.5 版本，它在理解、推理和生成能力上实现了全面跃升。

模型采用多模态理解生成统一架构，能像人类设计师一样洞察用户意图，即便面对简短模糊的描述也能准确推测创作需求，在主体一致性和图文对齐等方面表现显著提升。

其内置的世界知识体系覆盖科技与人文多个垂类领域，生成结果更符合物理规律，信息可视化能力大幅增强。

Seedream 5.0 Lite 首次引入了实时检索增强能力，可通过联网获取最新知识和资讯，精准响应时效性创作需求，在资讯海报等场景中表现尤为出色。

比如，Prompt：A low-resolution digital picture focuses on a woman in a thick winter coat holding a mug of hot cocoa, laughing. Festive lights and blurred market stalls with holiday decorations fill the background under a light snowfall.

Prompt：A low-light digital picture captures a group of friends laughing around a bonfire on a sandy beach at night. The firelight illuminates their faces while the ocean is dark in the background.

三个模型看过来，我们能发现，豆包的一系列新技术名副其实，都是大版本级别的提升。随着豆包的发布，这个春节档已经从「流量高峰」演变成了纯纯的「技术战场」。

全模态的豆包，让 AI 又上了一个台阶

字节的 AI 版图还远不止如此。

在语音领域，字节发布豆包实时语音大模型。这是一款语音理解和生成一体化的模型，实现了端到端语音对话，在语音表现力、控制力、情绪承接方面表现惊艳，并具备低时延、对话中可随时打断等特性。

比如前段时间罗永浩跨年演讲上和豆包斗嘴，随时打断、要求每句话后面加「OK」、实时调整情绪，豆包全都能即时响应。

在具身智能领域，字节 Seed-Robotics 团队最新推出 Seed GR-RL 强化学习框架，让机器人在真实场景中稳定完成多步骤、高精度的操作任务。

至于 AI for Science，字节已经耐心投入 5 年。Seed-AI for Science 团队围绕生物领域基础模型、量子化学、分子动力学等方向，发布了 SeedFold、SeedProteo 等有影响力的学术成果。

这种全方位的技术储备，正是字节敢于与 OpenAI、谷歌、Anthropic 等海外巨头正面交锋的底气。

2026 年的春节，或许会成为 AI 应用爆发的分水岭。

我们正在见证首个真・国民级 AI 入口的诞生。