Doubao Vision

Doubao Vision est le palier multimodal de ByteDance pour la compréhension d’images et de documents, lancé le 18 décembre 2024 à la conférence Force de Volcano Engine. Il lit du contenu visuel et raisonne dessus : identifier des objets, analyser des graphiques, résoudre des problèmes de logique posés en images, lire du code sur des captures d’écran et répondre à des questions liées à une image, plutôt que seulement la décrire. ByteDance l’a construit dans la famille de modèles Doubao plus large, qui alimente son app assistant grand public et l’API cloud Volcano Engine.

Comme pour les autres sorties Doubao, le prix était au centre du discours. ByteDance a tarifé le modèle à environ 0,003 yuan pour 1 000 tokens, présenté comme environ 85 % moins cher que la moyenne du secteur, de quoi traiter des centaines d’images en résolution standard pour un yuan. C’est un modèle fermé et propriétaire, disponible seulement via l’app et l’API de ByteDance.