模型日均tokens從1200億增長到4萬億，需要多長時間？豆包大模型給出的時間是——7個月，數(shù)據(jù)背后是2024年中國大模型應用市場爆發(fā)式增長的縮影。12月18日，火山引擎Force原動力大會在上海舉辦，豆包視覺理解模型正式發(fā)布，并以“厘”級的定價為企業(yè)提供極具性價比的多模態(tài)大模型能力。

大會期間，火山引擎總裁譚待在接受記者采訪時表示，豆包大模型在視覺理解、信息處理等領域展現(xiàn)出強勁的增長潛力，不僅僅局限于對話場景，而是廣泛應用于生產(chǎn)力相關的多元化場景。圍繞如何讓大模型用得起、用得好，以及如何幫助企業(yè)做好AI創(chuàng)新，推動大模型應用落地，譚待進行了深入解讀。

豆包生成圖片（關鍵詞：大模型、AI、世界、全面開花）

讓大模型用得起、用得好

當前，大模型在各種場景中都在“全面開花”。最近3個月，在信息處理場景，豆包的調用量增長39倍；客服與銷售場景，豆包的調用量增長16倍；在硬件終端場景，豆包增長了13倍，AI工具增長9倍。

豆包大模型為何增長如此迅猛？譚待認為，豆包大模型市場份額的爆發(fā)，得益于火山引擎“更強模型、更低成本、更易落地”的發(fā)展理念，讓AI成為每一家企業(yè)都能用得起、用得好的普惠科技。

豆包視覺理解模型是當天的重頭戲。據(jù)介紹，豆包視覺理解模型不僅能精準識別視覺內(nèi)容，還具備出色的理解和推理能力，可根據(jù)圖像信息進行復雜的邏輯計算，完成分析圖表、處理代碼、解答學科問題等任務。此外，該模型有著細膩的視覺描述和創(chuàng)作能力。

比如，光從云朵里灑出來的美麗照片，模型能識別出這是丁達爾效應并解釋背后的原理；根據(jù)一張影子圖片，視覺理解模型能一眼識別出小動物的影子，并且推斷出這是一只貓……不僅如此，該模型還具備出色的理解和推理能力，無論是微積分題，還是高考物理，還是處理代碼、分析圖表等需求，它都能輕松勝任。

在定價方面，豆包視覺理解模型每千tokens輸入價格定為3厘（即0.003元），一元錢就可處理284張720P的圖片，比行業(yè)價格便宜85%。今年5月，字節(jié)跳動在正式對外發(fā)布豆包大模型時，就曾因定價比同行低99.3%而引起關注。譚待表示，“豆包大模型通過技術創(chuàng)新優(yōu)化成本，保持合理的毛利。我們一次性地把成本做到位，就是希望更多的人，特別是中小企業(yè)、創(chuàng)業(yè)公司、個人能用起來、用得好，創(chuàng)造價值。”

AI+教育、AI+游戲、AI+汽車，甚至AI+天文、AI+養(yǎng)魚、AI+美食……各種腦洞大開的應用場景讓人感嘆“AI+千行百業(yè)”的態(tài)勢一日千里。大模型正加速融入普通人的生活日常，并滲透進與生產(chǎn)力相關的場景，而隨著模型能力變強，模態(tài)變多，也會解鎖越來越多的新場景。

幫助企業(yè)做好AI創(chuàng)新

會上，豆包3D生成模型首次亮相。豆包3D模型采用3D-DiT等算法技術生成高質量的3D模型；veOmniverse，則是火山和英偉達一起合作的數(shù)字孿生平臺，火山引擎將二者結合起來，就可以實現(xiàn)AIGC 世界的仿真模擬器。

通過豆包3D模型與veOmniverse的結合方案，用戶可以高效完成智能訓練、數(shù)據(jù)合成和數(shù)字資產(chǎn)制作，滿足仿真訓練的多樣化需求，加速虛擬與現(xiàn)實的深度融合。

譚待表示，就目前數(shù)據(jù)來看，在工作、娛樂、生產(chǎn)力的場景其實是差不多的。在他看來，大模型發(fā)展過程中需要2C和2B齊頭并進，物理與虛擬齊頭并進，“大模型比過去的很多技術都更容易連接數(shù)字世界和物理世界。”

當天，豆包大模型多款產(chǎn)品迎來更新：豆包通用模型pro已全面對齊GPT-4o，使用價格僅為后者的1/8；音樂模型從生成60秒的簡單結構，升級到生成3分鐘的完整作品；文生圖模型2.1版本，更是在業(yè)界首次實現(xiàn)精準生成漢字和一句話P圖的產(chǎn)品化能力，該模型已接入即夢AI和豆包App。

同時，火山引擎升級了火山方舟、扣子和HiAgent三款平臺產(chǎn)品，幫助企業(yè)構建好自身的AI能力中心，高效開發(fā)AI應用。其中，火山方舟發(fā)布了大模型記憶方案，并推出 prefix cache 和 session cache API，降低延遲和成本�；鹕椒街圻�帶來全域AI搜索，具備場景化搜索推薦一體化、企業(yè)私域信息整合等服務。