4万亿，这是豆包通用模型的日均tokens使用量。
从5月首次发布到12月中旬，这个数字增长了33倍。
作为字节跳动发力AI大模型的核心武器，豆包出场晚、野心大。
为扶其上马，字节带头掀起行业第一轮降价潮，同时产品、服务和生态快速裂变，充实矩阵。
在12月18日举办的火山引擎Force大会上，字节发布豆包视觉理解、3D生成等新模型，并公布了一次到位的价格，视觉理解模型千tokens输入价格，仅为3厘。
按此计算，一元钱就可处理284张720P的图片，比行业价格便宜85%。
“市场就是要充分竞争，做得好才能活下来。”接受《21CBR》等媒体采访时，火山引擎总裁谭待提到，新模型发布后，豆包的增速将更快。
装上眼睛
这次发布会，字节一口气更新了豆包多款产品，覆盖通用模型及多个垂直领域模型，看得人眼花缭乱。
更值得拿出来说道一二的，是首次亮相的新成员，视觉理解模型。
据谭待介绍，该模型不仅能精准识别视觉内容，还具备理解和推理能力，可根据图像信息进行复杂的逻辑计算，完成分析图表、处理代码、解答学科问题等任务。
其还拥有视觉描述和创作能力。
一句话总结，“豆包”睁眼看物理世界了。
人所接收的信息里，超八成来自视觉。对大模型来说，只有做好视觉理解，才有能力处理好真实世界的信息。
谭待现场展示了多个案例。
给一张动物影子的照片，视觉理解模型能识别出这是一只猫；给一张桥的图，模型能看出是港珠澳大桥；能理解图片里的数学和物理题目，给出答案和思路。
此前，该模型已接入豆包App和PC端产品。谭待透露，过去两个月，字节邀请了数百家企业，测试豆包视觉理解模型。
其可应用的场景很多。
比如，教育场景里，豆包可以让拍照搜题更智能，批改孩子的数学作业，优化作文表述，减轻家长辅导作业的负担。
快速扩列
从2024年5月豆包诞生，到12月的Force大会，7个月时间，字节大模型产品整装列队，组成“全家桶”。
除了新发布的视觉理解模型，重要的产品更新还包括：
豆包通用模型pro全面对齐GPT-4o，使用价格仅为后者的1/8；
音乐模型从生成60秒的简单结构，升级到生成3分钟的完整作品；
文生图模型2.1版本，首次实现精准生成汉字和一句话P图的产品化能力，该模型已接入即梦AI和豆包App。
谭待的演讲末尾，还以“One more thing”做了一个特别预告，发布一个1分钟的教育应用场景视频。
2025年春季，将推出具备长视频生成能力的视频生成模型1.5版，豆包端到端实时语音模型也将很快上线。
由此，多角色演绎、方言转换等新能力，即将解锁。
这一轮大模型竞速，起步较晚的字节，为何着急赶路？
“我们每一个模型的推出，都不算市面上最早的，但口碑和增长都不错。”
谭待提到，聊天是大模型一个基础功能，在此之上，必须加上深度推理、图像视觉理解等各种各样的功能，才能处理复杂任务。
目前，豆包大模型已经与八成主流汽车品牌合作，并接入多家手机、PC等智能终端，覆盖约3亿台终端设备。
来自智能终端的豆包大模型调用量，半年时间内增长100倍。
与企业生产力相关的场景方面，字节也披露了一系列数字。
最近3个月，豆包大模型在信息处理场景的调用量增长了39倍，客服与销售场景增长16倍，硬件终端场景增长13倍。
实用至上
“百模大战”，从算力打到应用。但在谭待眼里，谈竞争，为时过早。
“我现在不太关心竞争。市场处于非常早期的阶段，可能刚开发出来千分之一。”
他表示，局部竞争肯定有，但不重要，更关键的，是看用户哪些需求没有被满足，产品和解决方案能否做得好、成本低。
让大模型更好用、迅速落地，才是字节眼前的要紧事。如谭待所说，现阶段，他不关注大模型能带动多少云的收入，看的是有多少客户用了豆包大模型、用得有多深。
按谭待总结，大模型竞技场，后来者字节的市场份额，领先同行，其信心来自三点：
一是市场足够大；二是字节有规模优势，把手机、汽车、金融等外部客户，以及抖音、头条上的内部客户，统一起来建设，都跑在火山引擎上；三是目标明确，要在新的技术变革里做到第一。
在他看来，大模型的特别之处在于，以前的技术在To C端和To B端，都是割裂的，大模型能化二为一，底层都用的一套技术。
由此，To B的商业模式，会发生很大的变化。
采用一个大模型，决策者能直观感受到技术的好与不好，不像以前，只能靠听PPT汇报、看案例来了解。
“这是我们相信豆包能做好的一个重要因素。大家用得最多的是豆包APP，企业家大概率也会选择豆包大模型。”谭待说。
火山引擎下了一个新判断，下个十年，计算范式会从云原生进入到AI云原生的新时代。
“2024年是大模型高速发展的一年。当你看到一列高速行驶的列车，最重要的事，就是确保自己要上车。”谭待说。
