字节跳动发布Doubao-Seed-2.0-lite：首款全模态理解模型

5月7日，据字节跳动旗下火山引擎官方消息，Doubao-Seed-2.0-lite今日迎来新版本升级，成为豆包大模型家族首款全模态理解模型。该模型支持视频、图像、音频、文本的原生统一理解，同时在Agent、Coding与GUI能力方面同步获得提升。在同等算力成本下，它被视为企业大规模、批量化部署全模态推理任务的更具性价比选择。目前，全新版本已在火山方舟上线。

新版本在视觉理解能力上大幅提升。在物理（HiPhO）、医疗（MedXpertQA）等高阶学科推理方面，表现大幅超越2月发布的Doubao-Seed-2.0-pro。在细粒度感知（BabyVision、WorldVQA）与具身理解（ERQA）等关键领域达到行业领先水平，更适合企业在高价值场景中规模化部署。

融入语音理解后，新版本可同时处理多种输入模态，并完成跨模态联合推理，能够直接应对需要“音画结合”才能判断的复杂业务需求。在视频理解场景中，模型可联合分析画面与音频信息，精准辨析视听一致性，并支持根据自然语言指令在视频中精准定位特定事件发生的时间点。此外，它还能跨越多个时间段提取关键线索，持续追踪人物与事件发展，并基于画面进行多步逻辑推理。

音频方面，模型支持19个语种的精准语音转写，以及中英文与其他14个语种之间的互译。它还能深度捕捉语音中的情绪变化、环境背景声与音乐细节，输出更接近人类认知的语义信息。根据公开评测集，Doubao-Seed-2.0-lite在语音识别、翻译等多项音频理解基准上优于Gemini-3.1-Pro。

模型对多轮、多步、多约束指令的遵循度显著提升，增强了任务反思推理与多Agent协同调度能力，使Agent在长程任务中能够自我拆解、自我校验。Doubao-Seed-2.0-lite深度适配OpenClaw、Hermes Agent等框架，强化深度搜索与Skill动态调用，可边执行边沉淀经验。在Coding能力方面，模型全面覆盖前端页面、3D场景与游戏开发，交付产物在视觉美观度与工程完整度上进一步提升，能够胜任从原型到上线的前后端深度开发。

基于升级的GUI能力，Doubao-Seed-2.0-lite将“看懂界面”与“动手操作”打通为闭环。它既能精准识别按钮、菜单、表单、弹窗等界面元素及其状态，也能稳定完成点击、输入、右键、滚动、拖拽等操作。从读懂一张网页到跨应用、跨窗口连续执行一整套业务流程，让Agent真正具备“端到端把活干完”的交付力。

全模态理解结合持续增强的Agent、Coding和GUI能力，正在帮助各领域企业解锁更多商业化应用场景。在电竞领域，模型可联合分析比赛画面与语音指挥，围绕准星、身法、道具、经济等多维信息进行切片点评，并能跨越整场比赛多个回合追踪选手表现，赛后生成高光与失误图谱及时间轴复盘。依托Agent Harness框架，模型可连续执行跨越25小时的长程任务，整套交互界面也由模型直接生成，排版整洁，达到可上线水准。

在在线教育场景中，用户可在ArkClaw中调用模型，定时查看课堂教学录像，识别师生状态、口语发音与情绪变化，自动生成课堂表现报告并发送给家长。在海外电商运营中，基于模型的GUI能力，可自主搜索多语言的口红爆款视频，下载并拆解要素，生成多语言推广视频并自动发布，执行过程不断进化Skills。

此外，Doubao-Seed-2.0-mini全新版也已同步上线，同样支持全模态理解，相比上一版本思考长度大幅缩短，Tokens效率更高。