豆包·视觉理解模型：豆包推出的多模态AI大模型

豆包·视觉理解模型是什么？

豆包·视觉理解模型是豆包推出的多模态大模型，具备强大的图片理解与推理能力，以及精准的指令理解能力。模型在图像文本信息抽取、基于图像的推理任务上有展现出了强大的性能，能够应用于更复杂、更广泛的视觉问答任务。

豆包·视觉理解模型的主要功能

• 更强的内容识别能力：不仅可以识别出图像中的物体类别、形状等基本要素，还能理解物体之间的关系、空间布局以及场景的整体含义。
• 更强的理解和推理能力：不仅能更好地识别内容，还能根据所识别的文字和图像信息进行复杂的逻辑计算。
• 更细腻的视觉描述能力：可以基于图像信息，更细腻地描述图像呈现的内容，还能进行多种文体的创作。

豆包·视觉理解模型的应用场景

豆包·视觉理解模型在教育、旅游、电商等场景有着非常广泛的应用。

例如在教育场景中，为学生优化作文、科普知识；在旅游场景中，帮助游客看外文菜单、讲解照片中建筑的背景知识；在电商营销场景中，帮助商家充分描述商品细节，高效发布种草广告等等。

视觉理解能力将极大拓展大模型的场景边界，为大模型的场景使用打开天花板，在金融、医疗、建筑、地理、体育、物流等诸多行业还有非常广阔的应用前景。

豆包·视觉理解模型的产品价格

豆包·视觉理解的输入价格为每千tokens 0.003元，比行业平均价格降低85%，相当于一块钱可以处理284张720P的图片，视觉理解模型正式走进厘时代。同时火山引擎还将提供更高的初始流量，RPM达到了15,000次，TPM达到120万，让企业和开发者用好视觉理解模型，找到更多创新场景。

如何使用豆包·视觉理解模型？

1、个人用户：在豆包App和豆包PC中体验。

2、开发者：前往火山引擎平台体验和接入使用。