Doubao Vision

Doubao Vision ist die multimodale Modellstufe von ByteDance für das Verständnis von Bildern und Dokumenten. Sie wurde am 18. Dezember 2024 auf der Force-Konferenz von Volcano Engine vorgestellt. Das Modell liest visuelle Inhalte und zieht daraus Schlüsse: Es erkennt Objekte, analysiert Diagramme, bearbeitet Logikaufgaben in Bildform, liest Code aus Screenshots und beantwortet Fragen zu einem Bild, statt es nur zu beschreiben. ByteDance entwickelte es als Teil der umfassenderen Doubao-Modellfamilie, die den Verbraucherassistenten und die Cloud-API von Volcano Engine unterstützt.

Wie bei anderen Doubao-Veröffentlichungen spielte der Preis eine zentrale Rolle. ByteDance setzte ihn auf etwa 0,003 Yuan pro 1000 Tokens an und bezeichnete ihn als rund 85 Prozent günstiger als den Branchendurchschnitt. Damit ließen sich Hunderte Bilder in Standardauflösung für einen Yuan verarbeiten. Das geschlossene, proprietäre Modell ist ausschließlich über die eigene App und API von ByteDance verfügbar.