【財新網】字節跳動正加速視覺、語音等多模態模型的商業化。12月18日上午，字節跳動旗下火山引擎在上海發布豆包視覺理解模型，通過火山引擎開放給企業客戶，并再次打出了低于行業的定價。

　　視覺理解模型即“看圖說話”，可以識別圖像中的物體類別、形狀等要素，理解物體之間的關系，給出空間和場景的整體判斷，能用在圖片問答、醫療健康、教育、科研、電商等場景。

　　在現場演示中，豆包視覺理解模型識別出了雜志插圖中的外太空星云、一段“貪吃蛇”游戲代碼并給出修正意見、桌面上的物件和使用方法、體檢報告中的單項指標解讀、聯想圖畫想表達的諺語、推薦穿搭以及根據實物發送抖音商城里的商品鏈接等。目前豆包視覺理解模型已經接入豆包App和PC端產品。