能看懂、听懂！豆包Seed 2.0 Lite升级：首款全模态理解模型

快科技5月6日消息，今日，火山引擎宣布，Doubao-Seed-2.0-lite升级新版本，这是豆包大模型家族首款全模态理解模型。

据介绍，新版Doubao-Seed-2.0-lite支持视频、图像、音频、文本的原生统一理解，Agent、Coding与GUI能力也同步升级，进一步面向复杂业务场景增强多模态推理能力。

在视觉理解方面，Doubao-Seed-2.0-lite继续大幅提升，在物理HiPhO、医疗MedXpertQA等高阶学科推理任务上，新版本表现已大幅超越今年2月发布的Doubao-Seed-2.0-pro。

同时，该模型在细粒度感知BabyVision、WorldVQA，以及具身理解ERQA等关键领域达到SOTA水平，更适合企业在高价值场景中进行规模化部署。

加粗表示最优结果，下划线表示次优结果

此次升级的一大重点是融入语音理解能力，新版本可同时理解多种输入模态，并完成跨模态联合推理，能够直接处理那些必须"音画结合"才能判断的复杂业务需求。

例如在视频理解场景下，Doubao-Seed-2.0-lite可以联合分析视频画面与音频信息，精准判断视频中的视听一致性，也就是"看到的"和"听到的"是否匹配。

它还支持根据自然语言指令，在视频中精准定位特定事件发生的时间点，并能跨越多个时间段提取关键线索，持续追踪人物与事件发展，基于画面进行多步逻辑推理，还原事件关系与行为脉络。

音频能力方面，新模型支持19个语种的精准语音转写，以及中英文与其他14个语种互译。

此外，它还能捕捉语音中的情绪变化、环境背景声与音乐细节，输出更完整、更接近人类认知的语义信息。

根据公开评测集，Doubao-Seed-2.0-lite在语音识别、翻译等多项音频理解基准上优于Gemini-3.1-Pro。

值得一提的是，Doubao-Seed-2.0-lite还深度适配OpenClaw、Hermes Agent等框架，强化深度搜索与Skill动态调用，可在执行任务过程中持续沉淀经验，实现"越用越聪明"。