內(nèi)測(cè)了快三周的豆包-Seed-1.6-vision，

用了上百?gòu)垐D片，

我覺得是時(shí)候分享一下了，

大家平時(shí)會(huì)好奇現(xiàn)在主流模型里有哪幾個(gè)是帶圖像理解的嗎？

我好奇。用多了OpenAI感覺這都是常規(guī)功能了，盤了一圈下來，GPT5、Gemini 2.5 Pro、Qwen-3-Max-Preview、ChatGLM、Kimi K1.5里就剩DeepSeek V3.1只能識(shí)別圖片里的文字的了。

那把范圍縮小一點(diǎn)呢？在圖片理解的基礎(chǔ)上帶圖片工具的，

這個(gè)很好理解，縮放、裁剪、旋轉(zhuǎn)、劃線都是圖片工具的一種。

當(dāng)下真的幻視我七八年前用OpenCV打比賽，不知道還有沒有人記得這張包漿照片，當(dāng)年但凡是做圖像處理的都應(yīng)該用過來改色、或者丟給CNN（卷積神經(jīng)網(wǎng)絡(luò)）來識(shí)別。

所以我也是拿出了OpenAI o3的成名作，通過放大圖片的細(xì)節(jié)來找地點(diǎn)。

I took this pic earlier today. Can you find the name of the biggest ship you can see, and where it will dock next?

這次能分析出地點(diǎn)的大模型數(shù)量下降到1.5個(gè)了，

從Gemini-2.5-Pro的思考過程來看它似乎有放大焦點(diǎn)的操作，但是看不到圖片預(yù)覽，所以算0.5個(gè)。

有了對(duì)照組之后，豆包這次Seed-1.6-vision更新的含金量就拉滿了，

它內(nèi)置了4種圖像處理工具：

• POINT：在圖上繪制一系列點(diǎn)，以及將點(diǎn)連成線
• GROUNDING：框選關(guān)鍵區(qū)域，或裁剪關(guān)鍵區(qū)域
• ZOOM：縮放全圖，或縮放指定關(guān)鍵區(qū)域
• ROTATE：旋轉(zhuǎn)圖片

不跟GPT5-Thinking來場(chǎng)1對(duì)1 SOLO可惜了，于是我跟我的錢包一拍即合，給兩家都充了套餐，來一場(chǎng)超全面圖像測(cè)評(píng)，同時(shí)這也可能是第一篇做分類做圖像推理case比較全的文章了，我在找案例的時(shí)候就很希望能遇到一篇這樣的文章。

老樣子，這次測(cè)試所有圖片和對(duì)話記錄我都打包好啦，公眾號(hào)回復(fù)“豆包V”就行

因?yàn)槟壳癝eed-1.6-vision需要通過respinse_api格式要調(diào)用圖像工具，

所以我基于好朋友@蒼何的doubao-image-process項(xiàng)目，改了一版支持火山引擎對(duì)象存儲(chǔ)TOS的，

https://github.com/freestylefly/doubao-image-process

縮放｜ZOOM

先來個(gè)縮放熱熱身，判斷圖里是什么車，

Seed-1.6-vision：

上來就精確找到了車牌的位置，我甚至都沒有讓它通過車牌判斷是什么車，而且得到了車牌信息后，會(huì)通過聯(lián)網(wǎng)搜索確定車身上的細(xì)節(jié)是不是就跟小米SU7 Ultra能不能一一匹配。

GPT5-thinking：

同樣是通過車牌來補(bǔ)充信息，沒有縮放或者裁剪原圖。

再來一個(gè)惡夢(mèng)難度的，只有一艘船，船上也沒信息，

加了點(diǎn)濾鏡，所以天氣信息不多

Seed-1.6-vision：

它還可以基于已經(jīng)裁剪放大的圖片后進(jìn)行2次放大，看看他的思考過程就知道有多難了，前后盤點(diǎn)了八個(gè)地點(diǎn)，中間也提到了正確答案山東威海

GPT5-thinking：

它說的那么篤定，我都有點(diǎn)質(zhì)疑我自己了，

所以伊朗基什島（Kish Island）西岸的"希臘沉船"到底長(zhǎng)得有多像，不能說一模一樣，只能說毫無關(guān)系。

旋轉(zhuǎn)｜ROTATE

再來提點(diǎn)難度，就算是我自己把屏幕轉(zhuǎn)180度后也有點(diǎn)看不清，

Seed-1.6-vision：

所幸它還可以兩次三次方法圖片細(xì)節(jié)，單次就是2倍放大，也就是可以提升到iphone17 pro max同款的八倍鏡。

GPT5-thinking：

這邊的選手表現(xiàn)咋樣呢？可算舍得用PIL工具了，同樣是旋轉(zhuǎn)、裁剪、圖像增強(qiáng)一條龍。

我還有點(diǎn)好奇能不能做到180?鏡像反轉(zhuǎn)，

講道理這個(gè)case我真的看了半天，

Seed-1.6-vision也被我騙到了，第三輪終于意識(shí)到字本身還要翻轉(zhuǎn)才看，最終識(shí)別的準(zhǔn)確率有54%

隔壁GPT5-thinking的識(shí)別準(zhǔn)確率只有15.4%，能看出來它已經(jīng)在努力放大細(xì)節(jié)了，但是每個(gè)字的劃分區(qū)域不夠準(zhǔn)確導(dǎo)致的錯(cuò)誤。

左邊是豆包，右邊是GPT5

框選｜GROUNDING

有什么比找不同更適合框選呢

該說不說，Seed-1.6-vision找的是真準(zhǔn)，沒有圈多余的地方

有對(duì)照組后，GPT5-thinking畫的圈圈就有點(diǎn)不太準(zhǔn)了，

再來一個(gè)日常的，這時(shí)候有框選的話就可以一個(gè)個(gè)排除問題了

Seed-1.6-vision（上）畫的紅框又比GPT5-thinking（下）準(zhǔn)了不少，從Seed-1.6-vision的思考過程能看出來點(diǎn)細(xì)節(jié)，

看到這圖里的藍(lán)色點(diǎn)嗎？用的是point功能，先標(biāo)注出了物體的中心再畫框，能不準(zhǔn)嗎。。。

繪線幾何｜POINT

剛好提到point，我還給模型們準(zhǔn)備了數(shù)學(xué)幾何題，

Seed-1.6-vision在單次思考的過程也不是只會(huì)在固定的兩點(diǎn)畫線的，

point可以隨意移動(dòng)，超長(zhǎng)的上下文讓它可以一次輸出十幾張過程圖。

GPT5-thinking這波屬于是“虛空畫線“了，

看來是用的PIL沒有定點(diǎn)和連線的功能，

當(dāng)然，這道題他們兩個(gè)都答對(duì)了。

最后再來兩個(gè)我測(cè)試過程中遇到的小彩蛋，

Seed-1.6-vision在回答圖像邏輯題和圖像里主體之間的邏輯關(guān)系也有很高的準(zhǔn)確率。

一句話總結(jié)就是好用，

實(shí)打?qū)嵉暮糜茫?/p>

默認(rèn)開啟的圖像工具降低了寫提示語的成本，

兩兩組合還可以完成畫線，準(zhǔn)點(diǎn)畫框、旋轉(zhuǎn)+八倍放大的操作，

求趕緊同步發(fā)布到可以直接使用的網(wǎng)頁端，

降低使用門檻，

這樣我們都可以用上我們自己的，

最好的模型。

@ 作者 / 卡爾

最后，感謝你看到這里如果喜歡這篇文章，不妨順手給我們點(diǎn)贊｜在看｜轉(zhuǎn)發(fā)｜評(píng)論

如果想要第一時(shí)間收到推送，不妨給我個(gè)星標(biāo)

更多的內(nèi)容正在不斷填坑中……