Doubao Seed 2.1 Pro 0915: โมเดลสำหรับงานองค์กรที่ให้ AI ดูภาพแล้วพัฒนาโค้ดได้

Doubao-Seed-2.1-pro 0915 ของ Volcengine ในเครือ ByteDance เป็นการปรับรุ่นโมเดลที่มุ่งสู่การนำไปใช้งานจริงระดับองค์กร ไม่ใช่การเปิดตัวแชตบอตสำหรับผู้บริโภครายใหม่หรือเหตุการณ์ระดมทุน จุดเพิ่มหลักคือการเขียนโค้ดจากข้อมูลหลายรูปแบบ ความน่าเชื่อถือของเอเจนต์ที่เรียกใช้เครื่องมือ ความเข้าใจภาพและเอกสารที่ลึกขึ้น รวมถึงต้นทุนการอนุมานหลายสื่อที่ลดลง โดย API เปิดใช้งานเต็มรูปแบบบน Volcengine Ark เมื่อวันที่ 16 กันยายน 2026 พร้อมการอัปเกรด Doubao Work และการเชื่อมต่อกับ TRAE 23

อัปเดตนี้เพิ่มอะไร

Volcengine วาง 0915 ไว้รอบความสามารถสำหรับองค์กร 4 ด้าน ได้แก่ การส่งมอบงานของเอเจนต์ การเขียนโค้ดแบบหลายสื่อ (multimodal coding) ความเข้าใจข้อมูลหลายสื่อ และประสิทธิภาพการใช้ Token ตัวโมเดลรองรับการให้เหตุผลเชิงลึก การสร้างและทำความเข้าใจข้อความ/ข้อมูลหลายสื่อ งาน GUI การเรียกใช้เครื่องมือ และผลลัพธ์แบบมีโครงสร้าง โดยแนะนำรูปแบบ json_schema สำหรับงานหลัง 35

กล่าวให้เห็นภาพ การอัปเดตไม่ได้เน้นเพียงให้ AI เติมโค้ดทีละบรรทัด แต่พยายามให้โมเดลรับข้อมูลจากหน้าจอ วิดีโอบันทึกการใช้งาน แบบร่าง เอกสาร หรือแบบวิศวกรรม แล้วนำบริบทเหล่านั้นไปใช้วิเคราะห์และพัฒนางานต่อได้

ตัวอย่างการเขียนโค้ดจากภาพและงานระบบขนาดใหญ่

ตัวอย่างที่ Volcengine รายงานมีทั้งงานทำความเข้าใจระบบเดิมและงานแก้บั๊กระยะยาว

• ในกรณีระบบ ERP ภาษา Java ราว 280,000 บรรทัดที่มีเอกสารน้อย โมเดลใช้วิดีโอบันทึกหน้าจอและแบบร่างเพื่อทำความเข้าใจระบบ ก่อนสร้างหน้าจอมือถือที่ใช้งานได้ตามความต้องการทางธุรกิจ
• ในแบบฝึกหัดกับเกมโอเพนซอร์ส Luanti เอเจนต์จัดการปัญหาย้อนหลังจริง 1,000 รายการตลอดเวลาเกือบ 36 ชั่วโมง และ ByteDance ระบุว่า 83% ของงานอยู่ในระดับที่พร้อมนำไปรวมโค้ด (mergeable) 24

ตัวเลขและตัวอย่างเหล่านี้เป็นการสาธิตหรือผลประเมินที่ผู้ขายรายงานเอง จึงไม่ใช่ผลตรวจสอบอิสระ และไม่ควรตีความว่าองค์กรอื่นจะทำซ้ำผลลัพธ์ได้โดยอัตโนมัติในคลังโค้ด เครื่องมือ ข้อมูล พรอมป์ต์ นโยบายความปลอดภัย และขั้นตอนรีวิวที่ต่างกัน

เอเจนต์ตั้งเป้าทำงานได้ตรวจสอบย้อนกลับมากขึ้น

ด้านเอเจนต์ Volcengine ระบุว่า 0915 เสริมการตามรอยหลักฐาน การค้นหาแหล่งข้อมูลที่น่าเชื่อถือ การประเมินความทันเวลา และการตรวจสอบข้อมูล เป้าหมายคือช่วยลดการสร้างข้อมูลเท็จของโมเดล (hallucination) และทำให้งานที่ต้องใช้เครื่องมือหลายรอบตรวจสอบที่มาของข้อสรุปได้มากขึ้น 5

กรณีใช้งานที่บริษัทชูขึ้นมา ได้แก่ งานวิเคราะห์การลงทุนและระบบอัตโนมัติในสำนักงาน ซึ่งมักต้องค้นคว้าหลายรอบ เรียกใช้เครื่องมือ และจัดทำรายงานยาว อย่างไรก็ดี ความเสถียรในการใช้งานจริงยังขึ้นกับการออกแบบเวิร์กโฟลว์ การกำหนดสิทธิ์เข้าถึงข้อมูล และการตรวจทานของมนุษย์

อ่านเอกสาร แบบวิศวกรรม และวิดีโอเพื่อใช้กับงานพัฒนา

การวางตำแหน่งของรุ่น 0915 ครอบคลุมการรับไฟล์ออกแบบ แบบร่าง วิดีโอบันทึกการใช้งาน แบบวิศวกรรม วัตถุ 3 มิติ กราฟิกและเอกสารเฉพาะทางที่มีเนื้อหาแน่น รวมถึงวิดีโอ เพื่อใช้เป็นอินพุตสำหรับการเขียนโค้ดหรือวิเคราะห์ข้อมูล 36

ตัวอย่างที่มีการรายงานคือการตีความสัญลักษณ์ในแผนผัง และการอ่านคำกำกับในแบบวิศวกรรม เช่น มิติและสัญลักษณ์ค่าความคลาดเคลื่อน (tolerance) ซึ่งเป็นงานที่ต้องเชื่อมความหมายของภาพ ข้อความ และบริบททางเทคนิคเข้าด้วยกัน

ต้นทุนการใช้ Token ลดลงแค่ไหน

Volcengine ระบุว่าการอนุมานภาพและวิดีโอของรุ่นใหม่ใช้ Token น้อยกว่ารุ่นก่อนมากกว่า 30% นอกจากนี้ รายงานยังระบุว่าการลดจำนวนรอบการให้เหตุผลและการเรียกใช้เครื่องมือช่วยลดต้นทุนรวมของการใช้งานได้ 25

ประเด็นนี้สำคัญกับงานที่ต้องส่งภาพ วิดีโอ หรือภาพหน้าจอเข้าโมเดลซ้ำหลายครั้ง เช่น การตรวจคุณภาพจากภาพ การวิเคราะห์วิดีโอ หรือเวิร์กโฟลว์ “ดูภาพแล้วเขียนโค้ด” เพราะต้นทุนไม่ได้มาจากคำตอบสุดท้ายอย่างเดียว แต่สะสมจากอินพุตและการเรียกใช้เครื่องมือระหว่างทางด้วย

ผลงานทดสอบต้องอ่านพร้อมข้อจำกัด

ผล 83% ในงาน Luanti เป็นผลทดสอบวิศวกรรมเฉพาะงานที่ ByteDance เปิดเผย ไม่ใช่เบนช์มาร์กอิสระที่ทำซ้ำได้ทั่วไป 47 ขณะเดียวกัน การเปรียบเทียบที่อ้างว่ามีประสิทธิภาพทัดเทียมโมเดลระดับแนวหน้าก็ถูกอธิบายว่าเป็นการให้คะแนนโดยผู้ขาย และยังไม่มีการทำซ้ำโดยหน่วยงานอิสระ 4

ดังนั้น 0915 ควรถูกมองว่าเป็นสัญญาณของการอัปเดตแพลตฟอร์มและโมเดลสำหรับนักพัฒนา/องค์กรที่น่าสนใจ โดยพยายามเปลี่ยนอินพุตเชิงภาพและงานเอเจนต์ที่ใช้เวลานานให้กลายเป็นผลลัพธ์ด้านวิศวกรรมที่นำไปใช้งานได้ ด้วยต้นทุนการอนุมานที่ต่ำลง แต่ผลลัพธ์เด่นที่บริษัทประกาศยังต้องรอการยืนยันจากการใช้งานและการทดสอบอิสระ 237