豆包1.5·深度思考模型发布！效果好、低延迟、多模态

随着 AI 技术的快速发展，AI 已从过去的感知 AI、生成式 AI，快速迈入 Agentic AI 时代。AI 正在进化出端到端的自主决策和执行能力，走向核心生产环节。

火山引擎总裁 谭待

今天，在 FORCE LINK AI 创新巡展·杭州站，火山引擎公布了模型、Agent工具、云基础设施的最新进展，旨在帮助企业更快、更省地构建和部署Agent应用：发布豆包1.5·深度思考模型，升级豆包·文生图模型3.0、豆包·视觉理解模型。同时，面向Agent服务，发布OS Agent解决方案、GUI Agent大模型——豆包1.5·UI-TARS模型；面向大规模推理，发布AI云原生·ServingKit推理套件。

截至2025年3月底，豆包大模型日均tokens调用量已超过12.7万亿，是2024年12月的3倍，是一年前刚刚发布时的106倍。IDC报告显示，2024年中国公有云大模型调用量激增，火山引擎以46.4%的市场份额位居中国市场第一。

深度思考模型能够让 AI 模拟人类的思维过程，对复杂问题进行精准分析和逻辑推导。

全新发布的豆包1.5·深度思考模型，在数学、代码、科学等专业领域推理任务中表现出色，已经达到或接近全球第一梯队水平；在创意写作等非推理任务中，模型也展示出优秀的泛化能力，能够胜任更广泛和复杂的使用场景。

为了提升模型的通用能力，模型团队优化了数据处理策略，把可验证数据与创意性数据进行融合处理，满足各类任务的需求。此外，大规模强化学习是训练推理模型的关键技术，通过采用创新的双轨奖励机制，兼顾“对错分明”和“见仁见智”的任务，有效实现了算法的可靠优化。

豆包1.5·深度思考模型采用 MoE 架构，总参数为200B，激活参数仅20B，具备显著的训练和推理成本优势。基于高效算法，豆包1.5·深度思考模型在提供行业极高并发承载能力的同时，实现20毫秒极低延迟。

在解决生活生产中的具体问题时，大模型要能够查询互联网信息，进行多轮搜索和思考。与其他推理模型“先搜索再思考”的模式不同，豆包APP 基于豆包1.5·深度思考模型进行了定向训练，可以“边想边搜”。

例如，让豆包APP 推荐露营装备：一对夫妻带两个孩子去露营，温度低，有雨，希望把装备买齐，预算4,000元以内，还要兼顾便携性和安全性。豆包1.5·深度思考模型可以拆解每个具体需求的注意事项，规划信息，然后经过3轮搜索，给出了预算范围内、细致周到的推荐。

此外，豆包1.5·深度思考模型还具备视觉理解能力，可以像人类一样，不光基于文字思考，更能基于所见画面思考，思考更立体，让模型同时拥有“大脑”和“眼睛”。   更好的模型性能、更低的延迟、加上视觉推理能力，将为深度思考模型打开更广泛的应用空间、解决更复杂的问题。即日起，企业用户可以在火山方舟平台使用豆包1.5·深度思考模型。

此次全新升级的豆包·文生图模型3.0，能够实现更好的文字排版表现、实拍级的图像生成效果，以及2K 的高清图片生成方式。可以广泛应用于影视、海报、绘画、玩偶设计等营销、电商、设计场景。

小字与长文本生成、 排版更美观

在最新的文生图领域权威榜单 Artificial Analysis 竞技场中，豆包·文生图3.0模型已超越业界诸多主流模型，排名全球第一梯队。

新版本的豆包·视觉理解模型具备更强的视觉定位能力，支持多目标、小目标、通用目标的框定位和点定位，并支持定位计数、描述定位内容、3D 定位。可应用于线下门店的巡检场景、GUI agent、机器人训练、自动驾驶训练等。    同时，新版本在视频理解能力上也有大幅提升，比如记忆、总结理解、速度感知、长视频理解等。豆包·视觉理解模型结合向量搜索，可直接对视频进行语义搜索，广泛适用于安防、家庭看护等商业化场景。

更强的模型为我们打开了更广阔的应用空间。未来，AI Agent 将同时在“应用Agent”和“OS Agent”两个方向上并行发展。

应用 Agent 具备更强的专业性，如客服 Agent、数据 Agent、代码 Agent等，可以专注于完成特定领域的任务。

比如在代码 Agent 领域，相比于传统的 AI 插件产品，国内首个 AI IDE（AI原生的集成开发环境工具）——Trae 可以让开发者和 AI 更智能的协作，实现软件开发的交付化（交付软件而不仅是代码）、智能化（意图理解-自主规划-调用工具-自主开发）、协作化（与用户在各个维度上进行协作）。

OS Agent 则拥有跨场景的通用性和灵活性，能够直接操作浏览器、电脑、手机或其他 Agent，完成复杂任务。今年 Manus 等通用 Agent 的火爆也点燃了市场对 OS Agent 的热情。

大会上，火山引擎正式发布 OS Agent 解决方案，未来两周将陆续上线火山引擎官网。

该解决方案通过火山引擎 veFaaS 平台对豆包大模型能力进行封装，可以让企业和开发者轻松构建轻量级的 Code use 和 Browser use。而针对任务相对复杂的 Computer Use 和 Mobile Use Agent，则可以通过 ECS 或云手机等调用豆包1.5·UI-TARS 模型，驱动图形用户界面交互，精准识别用户的任务需求，进行感知、自主推理并准确行动。

想做出好的 Agent 同样离不开好的大模型。针对复杂的 OS Agent，火山引擎正式发布 GUI Agent 大模型——豆包1.5·UI-TARS 模型。该模型将屏幕视觉理解、逻辑推理、界面元素定位和操作整合在单一模型中，突破了传统自动化工具依赖预设规则的局限。目前，豆包1.5·UI-TARS 模型已在火山方舟平台上线。

好的模型和工具能够加速 Agent 的落地，但 Agent 也会带来更大量的推理消耗，因此 AI 时代需要更好的云原生架构来支持。

为此，火山引擎推出 ServingKit 推理套件，帮助企业实现模型的快速部署、推理优化、运维可观测。

ServingKit 推理套件可在2分钟内完成671B DeepSeek R1下载和预热，13秒完成推理引擎的加载。

同时，为了降低推理过程中的时延、提高资源利用率，火山引擎 EIC 将 KV cache 命中率提高了10倍，在100% cache 命中场景下 TPS 吞吐量可提高至5倍以上；而通过对算子、AI 网关、VKE 编排调度的优化和升级，可以大幅度降低 GPU 消耗。