5月13日，火山引擎FORCE LINK AI創(chuàng)新巡展上，Seed團隊推出的視覺-語言多模態(tài)大模型Seed1.5-VL，以僅20B激活參數(shù)的架構(gòu)，橫掃60個評測基準中的38項SOTA，在視頻理解、GUI智能體等關鍵指標上直接叫板谷歌Gemini 2.5 Pro，而推理成本僅為對方的1/3。

Seed1.5-VL的顛覆性首先體現(xiàn)在全能戰(zhàn)士般的多模態(tài)理解力。上傳一張畫作，它能全面分析畫面元素，自動識別出作品的作者、藝術風格、畫面元素、思想內(nèi)涵等。

面對包含多個人物的圖片，Seed1.5-VL 能精準識別觀眾、棒球、座椅、圍欄等畫面元素，并給出正確坐標；

而在視頻理解領域，Seed1.5-VL則展現(xiàn)出偵探般的敏銳度。
輸入一段監(jiān)控視頻詢問「小貓今天干了哪些壞事」，它能快速標記出抓撓沙發(fā)、打翻水杯等現(xiàn)場，并生成帶時間戳的“案情報告”。

而Seed1.5-VL的殺手锏多模態(tài)智能體功能，可以讓AI能像人類一樣操作PC界面：在測試中成功完成點擊點贊按鈕、填寫表單等GUI交互任務，可以為自動化測試、智能客服等場景打開新的可能。

Seed1.5-VL采用三件套設計：
532M參數(shù)的SeedViT視覺編碼器處理任意比例圖像，MLP適配器對齊多模態(tài)表征；
20B參數(shù)的MoE架構(gòu)語言模型專注復雜推理。這種模塊化組合既保證性能，又將推理成本壓至每千token輸入0.003元，輸出僅0.009元，比同類模型降低67%；
訓練策略上獨創(chuàng)漸進式解鎖：先凍結(jié)視覺編碼器訓練MLP對齊特征，再解凍所有參數(shù)進行大規(guī)模預訓練，最后引入強化學習優(yōu)化長鏈推理。

這種精細調(diào)優(yōu)，讓模型在3T token的多模態(tài)數(shù)據(jù)中提煉出了極致效率。

據(jù)透露，該模型已開始在抖音內(nèi)容審核、飛書智能助手等場景試點，預計半年內(nèi)接入全線產(chǎn)品。