Doubao Seed 2.1 Pro 0915: Naik Taraf Multimodal untuk Kerja Kejuruteraan

Kemas kini Doubao-Seed-2.1-pro 0915 oleh Volcengine, unit perkhidmatan awan ByteDance, ialah naik taraf model untuk aliran kerja perusahaan dan pembangun. Ia bukan acara pembiayaan atau pelancaran aplikasi sembang pengguna baharu. Fokusnya ialah menjadikan kerja pengekodan berasaskan visual, tugasan ejen AI jangka panjang dan analisis dokumen lebih praktikal untuk digunakan dalam proses kerja sebenar.

API model itu tersedia sepenuhnya melalui Volcengine Ark pada 16 September 2026. Pada masa sama, Doubao Work dikemas kini dan TRAE turut menerima integrasi model tersebut. 812

Empat fokus utama kemas kini

Volcengine meletakkan versi 0915 di sekitar empat keperluan perusahaan:

1. penghantaran tugasan oleh ejen AI;
2. multimodal coding atau pengekodan menggunakan input seperti imej, lakaran dan video;
3. pemahaman multimodal bagi dokumen serta bahan visual; dan
4. penggunaan token yang lebih cekap. 1213

Dokumentasi model turut menyenaraikan penaakulan mendalam, penjanaan teks, pemahaman multimodal, pemprosesan tugasan GUI, panggilan alat (tool calling) dan output berstruktur, dengan mod json_schema disyorkan untuk hasil berformat. 3

Pengekodan multimodal: bukan sekadar lengkapkan kod

Keupayaan yang paling ditekankan ialah kebolehan menjadikan bahan visual sebagai input pembangunan. Secara ringkas, model boleh meneliti fail reka bentuk, lakaran, pelan, rakaman skrin atau paparan aplikasi, kemudian menggunakannya untuk menjana atau membaiki kod. Pendekatan ini disasarkan kepada pembangunan web, permainan dan tugasan 3D. 712

Satu contoh rasmi yang dilaporkan melibatkan sistem ERP Java sekitar 280,000 baris kod dengan dokumentasi yang sangat terhad. Berdasarkan rakaman skrin dan beberapa lakaran, model dikatakan dapat memahami struktur sistem, menghasilkan antaramuka mudah alih mengikut keperluan perniagaan, dan menjalankan aliran kerja tersebut. 8

Dalam ujian lain yang didedahkan ByteDance, beberapa subejen menjalankan kerja hampir 36 jam terhadap 1,000 isu sejarah sebenar dalam projek permainan sumber terbuka Luanti, yang mempunyai kira-kira 387,000 baris kod. ByteDance menyatakan 83% tugasan mencapai standard “boleh digabungkan” (mergeable). 79

Namun, kedua-dua contoh itu ialah demonstrasi dan ujian yang dilaporkan vendor. Ia tidak sama dengan penilaian bebas yang diaudit atau boleh diulang oleh organisasi lain dalam persekitaran kod, data, arahan, alat dan proses semakan mereka sendiri. 47

Ejen AI dikatakan lebih boleh dipercayai

Bagi tugasan yang memerlukan banyak langkah dan panggilan alat—contohnya penyelidikan kewangan atau automasi pejabat—versi 0915 dikatakan menambah baik:

• jejak asal-usul bukti;
• pencarian sumber berautoriti;
• penilaian sama ada maklumat masih terkini; dan
• pengesahan data. 513

Matlamatnya ialah mengurangkan halusinasi dan membolehkan kesimpulan dalam laporan panjang disemak semula kepada sumber serta tindakan alat yang digunakan. Ini penting kerana masalah ejen AI dalam tugasan panjang bukan hanya ketepatan jawapan akhir, tetapi juga sama ada prosesnya boleh dikesan dan disahkan.

Membaca dokumen, lukisan kejuruteraan dan video

Selain kod, kemas kini ini memperluas pemahaman terhadap input visual dan dokumen yang kompleks. Antara bahan yang disebut termasuk objek 3D, grafik profesional yang padat, teks dalam dokumen, video, fail reka bentuk, lakaran serta lukisan kejuruteraan. 712

Laporan mengenai kemas kini itu menyebut peningkatan dalam pengecaman objek 3D dan penguraian dokumen profesional. Contohnya termasuk membaca anotasi lukisan kejuruteraan seperti ukuran serta simbol toleransi, di samping mengekstrak jadual dan rujukan nota kaki merentas halaman dalam dokumen kewangan. 8

Kos inferens: penggunaan token imej dan video lebih rendah

Volcengine menyatakan inferens imej dan video dalam versi baharu menggunakan lebih 30% kurang token berbanding generasi terdahulu. Laporan lain turut mengaitkan kos penggunaan keseluruhan yang lebih rendah dengan pengurangan bilangan pusingan penaakulan dan panggilan alat. 713

Bagi syarikat yang memproses banyak tangkap layar, dokumen visual atau video, pengurangan token ini boleh menjadi lebih penting daripada peningkatan kecil dalam skor model, kerana ia terus mempengaruhi kos operasi API.

Bagaimana prestasinya perlu dibaca

Angka 83% untuk tugasan Luanti ialah hasil ujian kejuruteraan khusus yang didedahkan oleh ByteDance, bukannya penanda aras bebas yang telah disahkan secara meluas. Begitu juga, dakwaan perbandingan dengan model AI peringkat teratas telah dihuraikan sebagai penilaian yang dibuat vendor dan belum dihasilkan semula secara bebas. 4

Jadi, kesimpulan yang lebih berhati-hati ialah Doubao Seed 2.1 Pro 0915 menunjukkan arah yang jelas: menukar input visual dan tugasan ejen jangka panjang kepada hasil kejuruteraan yang boleh digunakan, sambil menurunkan kos inferens multimodal. Tetapi organisasi yang mempertimbangkan penggunaannya masih perlu menguji model itu pada repositori, alatan, data, keperluan keselamatan dan prosedur semakan mereka sendiri. 47