火山引擎发布豆包 1.5・视觉深度思考模型，新增 GUI Agent 能力
发布时间：
2025-05-14 15:00:36
【导语】5月13日，火山引擎在上海举办的FORCE LINK AI创新巡展上震撼发布豆包1.5・视觉深度思考模型。该模型以仅20B的激活参数，展现出卓越的多模态理解和推理能力，在60项公开评测中38项达到业界最佳。豆包1.5在视频理解、视觉推理及GUI Agent能力上均领先业界，已正式登陆火山方舟平台，为AI技术创新和应用开启新篇章。
5 月 13 日消息，在举办的 FORCE LINK AI 创新巡展・上海站上，火山引擎发布了豆包 1.5・视觉深度思考模型（Doubao-1.5-thinking-vision-pro），该模型激活参数仅 20B，但具备强大的多模态理解和推理能力，在 60 个公开评测基准中，有 38 个达到业界最佳表现（SOTA），在视频理解、视觉推理、GUI Agent 能力等方面均处于第一梯队。
在视频理解领域，豆包 1.5・视觉深度思考模型支持动态帧率采样技术，显著增强了视频时序定位能力。结合向量搜索功能，模型能够精准定位视频中与文本(běn)描(miáo)述(shù)相(xiāng)对(duì)应(yīng)的(de)片(piàn)段(duàn)，为(wèi)视(shì)频(pín)内(nèi)容(róng)的(de)深(shēn)度(dù)分(fēn)析(xī)和(hé)检(jiǎn)索(suǒ)提(tí)供(gōng)支(zhī)持(chí)。
此(cǐ)外(wài)，该(gāi)模(mó)型(xíng)新(xīn)增(zēng)了(le)视(shì)频(pín)深(shēn)度思考能力。通过学习数万亿多模态标记数据，模型积累了广泛的视觉知识，并借助强化学习技术，大幅提升了视觉推理能力。例如，在复杂的图形推理任务中，模型能够自主提出假设、进行推理检验，并在发现与假设不符时，不断反思并提出新的猜测，直至得出正确答案。
值得注意的是，豆包 1.5・视觉深度思考模型还新增了 GUI Agent 能力。凭借强大的 GUI 定位性能，该模型能够在 PC 端、手机端等多种不同环境中完成复杂的交互任务。例如，它可对新开发的 App 功能进行自动化检测，目前这一功能已在字节跳动多款 App 产品的开发测试中进行应用。
注：
GUIAgent 是一种基于多模态视觉模型驱动的人工智能系统，能够自动推理并执行 UI 交互，模拟人类用户的操作，如点击、输入、拖拽、读取界面信息等，以完成人类要求的工作任务。
目前，该模型已正式在火山方舟平台上线。
相关新闻
当你在机场看到国产大飞机C919优雅起降时，可能想不到它的“诞生过程”有多硬核——这架拥有6万多个🍇零件、翼展35.8米的“钢铁巨兽”，其装配精度要控制在头发丝直径级别。更让人惊叹的是，沈阳中航沈飞民机工厂的自动化生产线，仅用6个关键零件就能创造年产值3亿元的奇迹。今天咱们就唠唠，C919在自动化装配路上啃下的五大“硬骨头”。第一块硬骨头：百万级制孔(kǒng)的(de)“针(zhēn)尖
想(xiǎng)象(xiàng)一(yī)下(xià)，过(guò)去(qù)一(yī)条(tiáo)电(diàn)机(jī)装(zhuāng)配(pèi)线(xiàn)需(xū)要(yào)20名工(gōng)人(rén)轮(lún)班(bān)操(cāo)作(zuò)，每(měi)天(tiān)最(zuì)多(duō)生(shēng)产(chǎn)500台(tái)电(diàn)机(jī)；而
深圳市物联网产业协会成功举办《24小时自助图书馆通用规范》团体标准评审会
【导语】2019 年深圳市物联网产业协会发布的《24 小时自助图书馆通用规范》部分指标落后且引用文件有更新，不利行业发展。为此协(xié)会(huì)于(yú) 2024 年(nián) 11 月(yuè)启(qǐ)动(dòng)修(xiū)订(dìng)立(lì)项(xiàng)，2025 年(nián) 10 月(yuè) 30 日(rì)召(zhào)开(kāi)评(píng)审(shěn)
全球智能视觉处理芯片龙头冲刺港交所：光环之下，何以冲破增长枷锁？
【导语】近日，智能视觉处理芯片龙头富瀚微递交港交所招股书，吹响“A+H”双上市号角。其虽在全球市场占据领先地位，但2022 - 2025年上半年营收、净利、毛利率均逐年下滑。不过，富瀚微注重研发创新，积极拓展AI新业务版图。此次赴港上市，能否助力其突破瓶颈、续写传奇，值得期待(dài)。 近(jìn)日(rì)，智(zhì)能视觉处理芯片龙头富瀚微正式向港交所递交了招股书，吹响“
国家发改委等五部门：探索推动具身智能机器人进社区、进家庭，到 2027 年底建成 50 个以上全域数字化转型城市
【导语】10月31日，国家发展改革委等五部门发布《深化智慧城市发展推进全域数字化转型行动计划》，提出到2027年底建成50个以上全域数(shù)字(zì)化(huà)转(zhuǎn)型(xíng)城(chéng)市(shì)，2035年(nián)涌(yǒng)现(xiàn)一(yī)批(pī)具(jù)有(yǒu)国(guó)际(jì)竞(jìng)争(zhēng)力(lì)的(de)现(xià
2025深圳安博会：大公博创揽三奖 低空安防技术引国内外媒体聚焦
【导语】2025年10月28日至31日，第二十届中国国际社会公共安全博览会在深圳启幕。成都大公博创信息技术有限(xiàn)公(gōng)司(sī)携(xié)全系(xì)列(liè)低(dī)空(kōng)安(ān)防(fáng)设(shè)备(bèi)参(cān)展(zhǎn)，凭(píng)借(jiè)三(sān)项(xiàng)权(quán)威(wēi)大(dà)奖(jiǎng)、全栈(zh
【导语】中国电信率先公开展示业内首个“北斗语音消息”服务，首创 AI 算法实现语音极速传输；与此同时，华为也在第四届北斗峰会上发布相关功能，其手(shǒu)表(biǎo)成(chéng)首(shǒu)款(kuǎn)支(zhī)持(chí)终(zhōng)端(duān)，北(běi)斗(dòu)应(yīng)用(yòng)再(zài)掀(xiān)新(xīn)篇(piān)。 据(jù