這兩天，字節(jié)又出手了，一口氣放出一堆大貨。

豆包大模型1.6、豆包·視頻生成模型 Seedance 1.0 pro、豆包·語音播客模型，豆包·實時語音模型...全家桶式上新，看著熱鬧。

如果你只是掃一眼上述產(chǎn)品，可能覺得就是大廠又來了一波例行升級，沒什么特別的。現(xiàn)在AI圈更新節(jié)奏這么快，新模型、版本號、榜單名次一大堆，確實不太容易提起興趣。

但稍微往下看一看，會發(fā)現(xiàn)這次字節(jié)的做法不太一樣。它并沒有靠一兩個參數(shù)或者演示視頻來搶風頭，而是開始把模型能力做成一整套“能直接跑起來”的應(yīng)用，從文字、圖像、視頻，到語音、操作系統(tǒng)，全都串在了一起，而且不少是直接掛進了豆包APP、火山方舟這些已經(jīng)在用的產(chǎn)品里。

我們就從兩個核心產(chǎn)品說起。

Seedance 1.0 Pro 實測表現(xiàn)：

穩(wěn)定、成型，但仍有邊界

如果只看熱度，這幾個產(chǎn)品中Seedance應(yīng)該是被關(guān)注度最高的了。

它剛上線就登上了第三方榜單Artificial Analysis的文生視頻和圖生視頻兩項第一，超過了可靈2.0和谷歌的Veo 3。榜單怎么評的我們可以再討論，但至少說明在業(yè)內(nèi)標準下，Seedance的生成效果已經(jīng)達到了主流模型中的較好水平。

我們來看下這個模型的基本情況。

Seedance 1.0 Pro支持文字和圖片輸入，能生成10秒左右的1080p視頻，支持2-3個鏡頭切換。它的主要特點，是強調(diào)鏡頭之間的連貫性和內(nèi)容的穩(wěn)定性。

這點在之前的視頻生成模型里，確實是個短板。很多模型雖然能出圖像，但內(nèi)容連不起來，主角突然消失或者背景抖動都很常見。

Seedance解決這個問題的方式，是把每個鏡頭的內(nèi)容用文字描述得更細，官方叫「精準描述模型」。它先生成一段描述，然后再根據(jù)這個描述訓練視頻。這種方式能讓模型更好地知道該生成什么內(nèi)容，也更容易控制住動作和細節(jié)。

Seedance能生成的視頻風格也比較多樣，可以支持航拍、第一人稱、動畫、水墨等多種風格。這點其實各家模型都有類似能力，只是Seedance在這方面的完成度和一致性更高一些。

生成速度方面，5秒的1080p視頻只需大約40秒，這個速度屬于目前行業(yè)中等偏上的水平。

來看一下我們實測的成果（每個維度我們都測試了多個case，篇幅限制只展示其中的一個）：

鏡頭語言

prompt：夜晚的加油站，一個男人戴上頭盔騎上摩托車，發(fā)動，駛出油站，鏡頭跟拍他的背影穿過街道，途中掠過霓虹招牌和迎面駛來的車輛。

這段主要是測試Seedance的快速運動+連續(xù)鏡頭能力，看它有沒有剪輯感，能不能Hold住快節(jié)奏。

結(jié)果還是可以的。騎上摩托車時是一個典型的近景靜態(tài)鏡頭，畫面很干凈。發(fā)動的瞬間光影有了變化，鏡頭在車啟動后跟著往前推進。

Seedance 在鏡頭語言這塊，能理解基本拍法；節(jié)奏上有控制，不會一頓快切、也不會死板地不動；鏡頭轉(zhuǎn)場不是很生硬堆疊，但是它對復(fù)雜軌跡、非線性鏡頭的理解還不夠穩(wěn)定。

物理運動

prompt：雨中，一個穿風衣的男子奔跑穿過狹窄的街道，踩過水坑，雨水四濺，鏡頭從后側(cè)跟拍。

看動作+環(huán)境干擾下的運動穩(wěn)定性。結(jié)果比較穩(wěn)。奔跑時人物姿勢正常，地面確實有積水反光，踩到水坑的時候，地面有明顯的水花濺起，鏡頭也給了點前搖的動態(tài)。雨水本身是做出來了，但稍微有些貼圖感，也就是說是視覺效果，但沒有明顯的深度和飄動軌跡。

但整個奔跑過程中人物沒崩，衣服也不是貼在身上的那種塑料感，而是有輕微飄動，這就已經(jīng)說明Seedance在動態(tài)建模上的一致性控制能力比較強了。

人物表演

prompt：拳擊手被擊倒，努力掙扎著站起來，臉上滿是汗水和倔強。

Seedance 1.0 Pro在情緒這一塊沒有做到極致，但比起過去同類模型，它已經(jīng)邁出了一大步。表情控制能力還在進化中，細節(jié)依然有局限，比如嘴角和眼角的肌肉反應(yīng)不夠細膩，面部變化也不總是連續(xù)的。但它確實可以表現(xiàn)出“笑、憂慮、驚恐、緊張、堅定”這些基礎(chǔ)情緒，而且不是固定臉譜，而是能隨著上下文變化表現(xiàn)方式。

這次模型發(fā)布之后，Seedance已經(jīng)接入了即夢（視頻3.0 Pro）和豆包APP（底部的「照片動起來」），用戶可以直接使用，也可以通過火山引擎API接入自己的業(yè)務(wù)。在價格上也比較低，每千tokens只需1分5，相當于每條5秒視頻大概3.67元。在大批量視頻需求下，這個成本屬于比較可控的范圍。

不過，Seedance目前仍然有一些限制。比如生成時長基本控制在10秒以內(nèi)，鏡頭切換雖然支持了2-3個，但還沒看到更復(fù)雜腳本的能力。生成也不是很穩(wěn)定，想要得到滿意的視頻，無法擺脫多roll的命運。。

豆包1.6:

在多模態(tài)和操作上邁了一步

再來看豆包1.6，這是這次發(fā)布中更偏向通用模型的更新。它主要更新了三個版本：主力版（doubao-seed-1.6）、深度思考版（doubao-seed-1.6-thinking）和極速版（doubao-seed-1.6-flash）。豆包1.6整體能力進入第一梯隊，在多項權(quán)威評測中得分提升明顯，尤其是數(shù)學和推理相關(guān)任務(wù)。

具體來看，這一代模型加強了邊想邊搜和DeepResearch能力。現(xiàn)在你可以從火山引擎的AI體驗中心試用。

用戶可以直接請求它完成某些復(fù)雜任務(wù)，模型可以拆分任務(wù)、搜索資料、提煉內(nèi)容，最后生成報告。這類功能我們在GPT-4和Claude里也能看到，不過豆包的方式更適合國內(nèi)用戶，點開即用，不需要熟悉復(fù)雜操作流程。

豆包1.6最強的還是多模態(tài)的實用能力。不是說能識圖、能看視頻就算多模態(tài)，而是把這些能力落到具體場景里。

這類任務(wù)不只依賴語言生成，而是能把圖像、動作、提示詞之間的信息整合起來，而豆包1.6確實在這個方向上做了一些實用嘗試。

另一個值得一提的點是操作能力。AgentKit現(xiàn)在支持圖形界面操作，可以打開網(wǎng)頁、填寫表單、瀏覽圖片、下單預(yù)定。

比如輸入“打開豆瓣電影，找今天在北京正在上映的電影，選擇一部評分最高的，打開購票頁面并截圖停留。”它會依次打開網(wǎng)站、查找電影、篩選條件，最后再確認下單。這種功能的完成度已經(jīng)不低，適合做一些流程重復(fù)、邏輯明確的輕任務(wù)。

價格方面，豆包1.6也重新定了策略。現(xiàn)在所有任務(wù)都采用統(tǒng)一定價模型，不管是文字生成還是圖像分析，價格按輸入長度劃分，最常見的0-32K區(qū)間是輸入0.8元/百萬tokens，輸出8元/百萬tokens。和豆包1.5比起來，綜合成本降低了大約63%。簡單說，價格更接近豆包1.0，但能力是它的多倍。

OpenAI 卷能力，字節(jié)在卷什么？

這次更新背后，其實是字節(jié)模型策略的一種延續(xù)。它并沒有在單一模型參數(shù)上卷得特別兇，而是強調(diào)組合能力和產(chǎn)品落地。

在To C端，豆包已經(jīng)在做APP化，用“聊天+工具”的形態(tài)把模型包裝起來；而在To B端，它依托火山引擎提供一整套AI服務(wù)，從基礎(chǔ)模型API到完整解決方案。字節(jié)大模型的更新節(jié)奏不是盲目提速，而是配合業(yè)務(wù)工具一起同步走，比如最近更新的PromptPilot（提示詞調(diào)優(yōu)工具）、AgentKit（智能體開發(fā)平臺）、多模態(tài)工作臺、甚至是視頻生成場景的Seedance，都和模型不是割裂的，而是集成式設(shè)計。

這和OpenAI、百度的路線相比，是有差異的。OpenAI繼續(xù)把重點放在通用性極強的超級模型上，比如GPT-4o就把語音、圖像、文字合成成一個統(tǒng)一的輸入輸出邏輯，目標是成為人類界面；百度雖然也做了很多產(chǎn)業(yè)鏈整合，但仍保留較多平臺化概念，部分場景需要開發(fā)者二次拼裝。

字節(jié)已經(jīng)不是在卷模不模型的事情了，而是在卷能不能用起來的事情。

在這點上，它有點類似微軟Copilot那一套邏輯，但又有自己的中國式打法。微軟的優(yōu)勢是Office生態(tài)綁定企業(yè)，而字節(jié)的打法是基于內(nèi)容+工具的雙生態(tài)：一邊用內(nèi)容業(yè)務(wù)抖音等檢驗?zāi)Ｐ蜕赡芰?，另一邊用火山引擎輸出服?wù)，把能力變成服務(wù)，最終變成一個系統(tǒng)級產(chǎn)品。

而且，從內(nèi)部資源分配來看，字節(jié)的策略也很清晰：模型團隊不單打獨斗，很多模塊直接協(xié)同產(chǎn)品線出需求，比如語音播客、視頻生成、搜索推薦，這樣模型迭代就不是閉門造車，而是從一開始就和實際場景掛鉤。

大廠AI模型開始加速奔跑

聊到這里，其實繞不開的一個問題就是：現(xiàn)在這些大廠在AI這件事上，到底卷到什么程度了？

從阿里、騰訊到字節(jié)，確實都在提速，而且每家的方向有點不一樣。

阿里的重心放在模型規(guī)模和通用能力，比如Qwen家族主打大上下文和工具鏈，目標是拉齊OpenAI那一套能力，尤其強調(diào)開源這一點

騰訊更多強調(diào)業(yè)務(wù)融合，Agent部署做得早，重點是To B場景，比如政務(wù)、企業(yè)服務(wù)等，推出了元器這種產(chǎn)品

而字節(jié)這邊，很明顯是以內(nèi)容和多模態(tài)作為核心陣地，從豆包模型、Seedance視頻、再到語音播客，都是圍繞內(nèi)容生成和產(chǎn)品應(yīng)用來做的。

它們走的路線不太一樣，但節(jié)奏都快。你會發(fā)現(xiàn)，這一年里，模型迭代不再是每半年一次，而是每兩三個月就來一波。有的是版本更新，有的是新產(chǎn)品掛鉤。但共同點就是，大家都已經(jīng)不是在比有沒有，而是在比用得起、用得上、用得快。

而且有個趨勢也挺明確的：AI已經(jīng)不是實驗室里跑分的東西了。你發(fā)布一個模型，別人不再只關(guān)心你的推理速度和BLEU分，而是問一句——能不能掛到網(wǎng)頁上？能不能在手機里跑？價格怎么樣？是不是能直接接到現(xiàn)有系統(tǒng)里？

從這個角度看，字節(jié)這波模型更新雖然沒有太多行業(yè)第一的技術(shù)噱頭，但確實做得比較扎實。不管是Seedance的視頻質(zhì)量，還是豆包1.6的多模態(tài)能力，起碼給到了一些可以拿去用的東西。對于開發(fā)者也好，中小企業(yè)也好，現(xiàn)在更在意的是這些東西能不能用、成本怎么樣、部署復(fù)雜不復(fù)雜，而不是你參數(shù)多大。

所以到頭來，大廠在AI這場競爭里，其實比的不是誰先造出最強的大模型，而是誰先把模型做成產(chǎn)品，誰先讓用戶真正用起來，誰能在不增加使用門檻的前提下，撐住規(guī)模和成本。

現(xiàn)在這個階段，大家都還在跑，但已經(jīng)能看出幾個不同方向的勢能了。接下來要看的，也許不是誰先出GPT-5級別的模型，而是誰能真正把AI塞進每一個具體應(yīng)用場景里，讓它像水電網(wǎng)那樣成為基礎(chǔ)設(shè)施。誰做得越快、越穩(wěn)，就越可能在這場AI基礎(chǔ)設(shè)施競賽里，走得更遠。

歡迎在評論區(qū)留言~
如需開白請加小編微信：dongfangmark