快科技5月6日消息，今日，火山引擎宣布，Doubao-Seed-2.0-lite升級(jí)新版本，這是豆包大模型家族首款全模態(tài)理解模型。

據(jù)介紹，新版Doubao-Seed-2.0-lite支持視頻、圖像、音頻、文本的原生統(tǒng)一理解，Agent、Coding與GUI能力也同步升級(jí)，進(jìn)一步面向復(fù)雜業(yè)務(wù)場(chǎng)景增強(qiáng)多模態(tài)推理能力。

在視覺理解方面，Doubao-Seed-2.0-lite繼續(xù)大幅提升，在物理HiPhO、醫(yī)療MedXpertQA等高階學(xué)科推理任務(wù)上，新版本表現(xiàn)已大幅超越今年2月發(fā)布的Doubao-Seed-2.0-pro。

同時(shí)，該模型在細(xì)粒度感知BabyVision、WorldVQA，以及具身理解ERQA等關(guān)鍵領(lǐng)域達(dá)到SOTA水平，更適合企業(yè)在高價(jià)值場(chǎng)景中進(jìn)行規(guī)?；渴稹?/p>

加粗表示最優(yōu)結(jié)果，下劃線表示次優(yōu)結(jié)果

此次升級(jí)的一大重點(diǎn)是融入語音理解能力，新版本可同時(shí)理解多種輸入模態(tài)，并完成跨模態(tài)聯(lián)合推理，能夠直接處理那些必須"音畫結(jié)合"才能判斷的復(fù)雜業(yè)務(wù)需求。

例如在視頻理解場(chǎng)景下，Doubao-Seed-2.0-lite可以聯(lián)合分析視頻畫面與音頻信息，精準(zhǔn)判斷視頻中的視聽一致性，也就是"看到的"和"聽到的"是否匹配。

它還支持根據(jù)自然語言指令，在視頻中精準(zhǔn)定位特定事件發(fā)生的時(shí)間點(diǎn)，并能跨越多個(gè)時(shí)間段提取關(guān)鍵線索，持續(xù)追蹤人物與事件發(fā)展，基于畫面進(jìn)行多步邏輯推理，還原事件關(guān)系與行為脈絡(luò)。

音頻能力方面，新模型支持19個(gè)語種的精準(zhǔn)語音轉(zhuǎn)寫，以及中英文與其他14個(gè)語種互譯。

此外，它還能捕捉語音中的情緒變化、環(huán)境背景聲與音樂細(xì)節(jié)，輸出更完整、更接近人類認(rèn)知的語義信息。

根據(jù)公開評(píng)測(cè)集，Doubao-Seed-2.0-lite在語音識(shí)別、翻譯等多項(xiàng)音頻理解基準(zhǔn)上優(yōu)于Gemini-3.1-Pro。

值得一提的是，Doubao-Seed-2.0-lite還深度適配OpenClaw、Hermes Agent等框架，強(qiáng)化深度搜索與Skill動(dòng)態(tài)調(diào)用，可在執(zhí)行任務(wù)過程中持續(xù)沉淀經(jīng)驗(yàn)，實(shí)現(xiàn)"越用越聰明"。