九月出人意料的模型，还有一个字节的Seed-Evolving

九月的大模型圈，有点神仙打架的架势。

海外这边，OpenAI 的 GPT-6 Astra 落地，一堆模型扎堆更新。国内虽然八月已经卷过一轮，但九月依然有能打的选手冒出来。

比如我前不久在测评里提过的字节 Seed-Evolving，最近又迭代到了最新版本。

可能有朋友还不太熟悉这个模型。Doubao-Seed-Evolving 主要面向 Coding 和 Agent 场景，基本上每周都在更新。

它和我们平时接触的大模型有点不一样：没有版本号。

这样做的思路是，字节希望让用户接入的时候只认一个固定的 Model ID，底层能力升了就升了，不用自己去切版本。对大伙来说就是不用盯更新日志，专心用就行

上次我试这个模型是8月，当时它在多模态、Coding这些场景里不见得能打过其他国模。

这次升级，官方说它在长程任务执行、多模态理解、可信调研，还有 Coding 等几个方面都做了优化。

这几个，都是考察模型"能不能真干活"的核心能力。所以看到这个介绍，我专门花了整整一天把 Doubao-Seed-Evolving 测了一圈。

结果发现，现在它不仅能和其他国模 PK，连网友们拿去考 GPT-6 Astra 的题目都做得出来。

Round 1：从一堆碎片里还原图片

Doubao-Seed-Evolving 周级别更新，这节奏抬高了我的预期，所以一上来，我就给它安排了一个高难度任务：判断一张被撕碎的图片原本长什么样、出自哪里，该怎样还原，最后用 HTML 呈现调研过程和结果。

换句话说，就是一次把多模态理解、可信调研和长程执行能力全测一遍。

至于用哪张图片，我特意选了最近网友拿来实测 GPT-6 Astra 的同款，难度拉满。

先说结论，这个任务 Doubao-Seed-Evolving 花了2个多小时完成。的确不算快，但完成质量不错：它识别出了这张图的主视觉，来自一张1995年的唱片封面。

为啥是主视觉呢？因为它核对了这张专辑的封面和内页，发现还有少量碎片的图案没有出现，但大部分能对得上。所以只能说是“以这张专辑封面为主视觉的印刷物”，非常严谨了也是。

我特地去网上人工搜索了一遍，确认有这个专辑，画面和时间也对得上。

仔细扒 Doubao-Seed-Evolving 的工作全流程，发现它拿到原图先给这个任务分成了4个步骤：

• 分割并建立碎片清单

• 逐片视觉识别与拼合推理

• 确认原图身份

• 输出报告

整个过程里最费劲的，就是分割并建立碎片清单。

我看到 Seed-Evolving 换了好几种方式，才把每个碎片都切出来编上号。然后，它仔细识别每个碎片的文字和图像。有了这些信息后又疯狂检索一通，才给出结论。

在从碎片还原图片的这一步， Seed-Evolving 详细到，把每个碎片应该如何旋转，甚至旋转多少角度都标了出来。

整个过程里，它调用了102次工具，自我核查了6轮。

最后，我让它做了个 HTML 展示自己的结论和任务过程。虽然这步是顺手，但意外发现这个模型的 HTML 审美还挺在线，大家感受一下

Round 2：一张户型图生成3D场景

接下来这个任务，我还是按 GPT-6 Astra 的标准上高难度。

Astra 发布后，全网玩得最嗨的就是构建各种 3D 场景。所以这次任务，我给 Seed-Evolving 发了一张120平米的户型图，让它按图复刻 3D 场景，并能第一视角漫游。

Seed-Evolving 拿到任务后，把工作拆成两步：首先构建 3D 场景的 HTML，接着基于浏览器渲染和交互。

这里面还有很多细节工作。比如拿到户型图后，模型把户型图放大切成了四大块仔细查看，还对每个墙的比例进行了精准扫描，全部看清才开始 3D 建模。

它先构建了东西南北四个墙体，接着做房间细节。做出来之后，它又自己测试、精修了好几轮，才给出结果。

经过这么多精细操作，最后这个成品看起来还挺精致。不仅和户型图的结构对得上，光线也考虑进去了。

不过这个任务花的时间有点久，前后大概得4个小时 —— 毕竟 Seed-Evolving 这次调用了165次工具，修改了26次，其中还包括4次重写。

Round 3：复杂任务调研

这次 Doubao-Seed-Evolving 还在可信调研上下了功夫。针对这个场景，我搞了两道基于真实场景，都需要花式查验才能得出结论的难题。

第一道题：

我明年3月准备从北京搬到斯德哥尔摩，想把家里两只6岁、6公斤左右的猫一起带过去。它只打过狂犬疫苗，其他手续我完全不懂。预算最好别超过3万元，希望它能和我同一天到，最好能进客舱。你帮我查找最新的官方规定，给我一套可执行的方案。如果我的要求实现不了，告诉我要怎么调整。

这个任务基本就是在各种检索、查证。Seed-Evolving 总共派出了7个子 Agent，面向3个不同方向做调研、核验，最后汇总结论。

这三个调研方向，包括不同地方的入境规定、出境的检测流程，还有不同航司的最新宠物⬛政策，覆盖得很全面。

几十分钟后，Seed-Evolving 带着结论回来了。

它告诉我根据各大航司规定，让两只猫同时进客舱是不可能的，所以推荐我选择货仓运输。这个结论和我之前了解过的情况一致，给 Seed-Evolving 上一分。

调查报告也很扎实。不仅直接点出了矛盾点，还把所有航司的方案列出标了推荐选项。

同时，模型还告诉我需要准备的所有事项、倒排的时间线，其他需要牢记的Tips。最后，还附上了资料来源。

接着第二道题。我的要求只增不减，让它做商业选址分析。

Prompt：

我想在上海外滩或者西岸区域开一个200平米以内的咖啡店，预算想控制在50万以内。你帮我看看都有哪些比较好的店铺，以及我的要求能不能满足？如果不能，你要告诉我要怎么调整。评估选址时，你还需要一并考虑目标店铺未来1-3年的生意好不好做，周边的人流量怎么样，一年的毛利大约是多少。

这个任务总共花了一个小时。

核心结论是，我这个预算在西岸开咖啡店更合适，外滩只能开小店，赚的还是辛苦钱。

除了结论，Seed-Evolving 在报告里还给出了板块基本盘、在租样本、方案算账、调整方面、签约尽调清单几个模块。

最后它附上了信息来源：有房天下、安居客、58 同城在租挂牌信息，新闻晨报、劳动报、央广网等媒体报道，另外还有上海市政府门户网站、《2026 中国城市咖啡发展报告》，政府公文做行业资料。

像下面这个在租样本，就来自房天下和安居客最近的信息。

这轮任务的时间依然都花费在搜索和核实信息上。

我看了看，模型总共调用了45次32种不同的工具，光专项复核信息就做了4轮。

Round 4：优化开源小游戏

最后一轮，终于轮到测试 Coding。

当然我没有随随便便跑个网页设计就完事，而是让它从一个开源代码仓库里自己读取信息，再把代码魔改成一个短视频上经常能刷到的小兵打僵尸的游戏。

原始仓库里的效果大概是这样的，能看出还处于原型的状态。

我做了一些角色图，再把仓库链接给它。Seed-Evolving 先通读了一遍背景信息，摸清了游戏机制和需求，就开跑了。

魔改这个游戏总共花了三个小时。整个过程里，Seed-Evolving 依然干活精细，把画面、音效挨个设计并且验证了好几次。

最后输出的结果，声音和画面比起原版不知道精致了多少。

四轮跑下来，再整体说说我觉得 Doubao-Seed-Evolving 这次升级最明显的几个优点。

第一，任务拆解和推进能力都很强。不管是碎片拼图、3D建模还是调研题，它拿到任务之后都能自己拆成合理的步骤，然后一步步往下推。

第二，调研结果可信度高。两道调研题的报告我都仔细看了，信息来源可追溯，结论和我自己之前了解的情况能互相印证。这种"查得到、对得上"的能力，在调研类场景中的确刚需。

第三，多模态理解有实打实的提升。上次8月测的时候，它在这块还不算太能打。这次不管是从一堆碎片里识别文字和图案，还是读懂一张户型图的空间结构再转成3D场景，完成度都明显上了一个台阶。

第四，Coding 的工程完整度不错。毕竟我测的任务不是单点，而是让它从读仓库、理解游戏机制，到魔改、自测、精修，整条链路跑下来。这样测出来， Doubao-Seed-Evolving 交出来的东西是能玩的。

如果非要说不足，那就是有时候它干活太精细了，等待的时间有点长。但如果和等半天结果却不能用相比，我还是愿意等等看⌛️。

总之，从 Agent 长程执行、可信调研、多模态理解，再到Coding能力，至少在我测到的这几个场景里，Doubao-Seed-Evolving 已经是一个真能独立干活，还会认真交活的模型了。