字节最强多模态大模型发布！20 B参数横扫38项第一，性能直逼Gemini 2.5 Pro

5月13日，火山引擎FORCE LINK AI创新巡展上，Seed团队推出的视觉-语言多模态大模型Seed1.5-VL，以仅20B激活参数的架构，横扫60个评测基准中的38项SOTA，在视频理解、GUI智能体等关键指标上直接叫板谷歌Gemini 2.5 Pro，而推理成本仅为对方的1/3。

这款新的模型，正在重新定义AI性价比的极限。  

技术突破：从拼参数到炼架构

Seed1.5-VL的颠覆性首先体现在全能战士般的多模态理解力。上传一张画作，它能全面分析画面元素，自动识别出作品的作者、艺术风格、画面元素、思想内涵等。

面对包含多个人物的图片，Seed1.5-VL 能精准识别观众、棒球、座椅、围栏等画面元素，并给出正确坐标：

【视频来源于网络，侵删】

更令人惊叹的地方是在处理公务员图形推理题时，Seed1.5-VL仅用10秒便破解黑白方块「去同存异」的叠加规律。

这种融合视觉定位、语义解析、数学推理的复合能力，是传统单模态AI难以企及的高度。 

而在视频理解领域，Seed1.5-VL则展现出侦探般的敏锐度。

输入一段监控视频询问「小猫今天干了哪些坏事」，它能快速标记出抓挠沙发、打翻水杯等现场，并生成带时间戳的“案情报告”：

【视频来源于网络，侵删】

这种时序推理能力若延伸到商业场景，自动分析6小时直播中的高光片段，将不是难题。

而Seed1.5-VL的杀手锏多模态智能体功能，可以让AI能像人类一样操作PC界面：在测试中成功完成点击点赞按钮、填写表单等GUI交互任务，可以为自动化测试、智能客服等场景打开新的可能。  

Seed1.5-VL采用三件套设计：

532M参数的SeedViT视觉编码器处理任意比例图像，MLP适配器对齐多模态表征；

20B参数的MoE架构语言模型专注复杂推理。这种模块化组合既保证性能，又将推理成本压至每千token输入0.003元，输出仅0.009元，比同类模型降低67%；

训练策略上独创渐进式解锁：先冻结视觉编码器训练MLP对齐特征，再解冻所有参数进行大规模预训练，最后引入强化学习优化长链推理。

这种精细调优，让模型在3T token的多模态数据中提炼出了极致效率。  

与谷歌Gemini 2.5 Pro的对比，虽然Gemini支持6小时长视频处理和音视代码融合，但Seed1.5-VL在GUI智能体任务中拿下3项SOTA，且推理成本仅为前者的1/3。

当然，Seed1.5-VL在复杂空间关系解释、长视频动作时序推理等方面仍然存在短板，例如面对华容道谜题时可能产生错误假设。但字节跳动已经开放API接口，并承诺每月迭代模型。

据透露，该模型已开始在抖音内容审核、飞书智能助手等场景试点，预计半年内接入全线产品。

当多模态理解成本大幅降低，AI绘画、数字人、智能客服等赛道将迎来洗牌。特别是短视频领域，自动生成高质量UGC内容的技术，可能颠覆现有内容生产逻辑。