实测豆包新上线视觉大模型1.6-vision，OpenAI GPT5要失眠了

实测豆包新上线视觉大模型1.6 vision，OpenAI GPT5要失眠了 实测豆包新上线视觉大模型1.6 vision，OpenAI GPT5要失眠了 Modified October 3, 2025 绘线几何｜ POINT 刚好提到point，我还给模型们准备了数学几何题， Seed 1.6 vision在单次思考的过程也不是只会在固定的两点画线的， point可以随意移动，超长的上下文让它可以一次输出十几张过程图。 GPT5 thinking这波属于是“虚空画线“了， 看来是用的PIL没有定点和连线的功能， 当然，这道题他们两个都答对了。 最后再来两个我测试过程中遇到的小彩蛋， Seed 1.6 vision在回答图像逻辑题和图像里主体之间的逻辑关系也有很高的准确率。 一句话总结就是好用， 实打实的好用， 默认开启的图像工具降低了写提示语的成本， 两两组合还可以完成画线，准点画框、旋转+八倍放大的操作， 求赶紧同步发布到可以直接使用的网页端， 降低使用门槛， 这样我们都可以用上我们自己的， 最好的模型。 @ 作者 / 卡尔 最后，感谢你看到这里👏 如果喜欢这篇文章，不妨顺手给我们 点赞👍｜在看👀｜转发📪｜评论📣 如果想要第一时间收到推送，不妨给我个星标 🌟 更多的内容正在不断填坑中…… 绘线几何｜ POINT 刚好提到point，我还给模型们准备了数学几何题， Seed 1.6 vision在单次思考的过程也不是只会在固定的两点画线的， point可以随意移动，超长的上下文让它可以一次输出十几张过程图。 GPT5 thinking这波属于是“虚空画线“了， 看来是用的PIL没有定点和连线的功能， 当然，这道题他们两个都答对了。 最后再来两个我测试过程中遇到的小彩蛋， Seed 1.6 vision在回答图像逻辑题和图像里主体之间的逻辑关系也有很高的准确率。 一句话总结就是好用， 实打实的好用， 默认开启的图像工具降低了写提示语的成本， 两两组合还可以完成画线，准点画框、旋转+八倍放大的操作， 求赶紧同步发布到可以直接使用的网页端， 降低使用门槛， 这样我们都可以用上我们自己的， 最好的模型。 @ 作者 / 卡尔 最后，感谢你看到这里👏 如果喜欢这篇文章，不妨顺手给我们 点赞👍｜在看👀｜转发📪｜评论📣 如果想要第一时间收到推送，不妨给我个星标 🌟 更多的内容正在不断填坑中…… 🔗 原文链接： https://mp.weixin.qq.com/s/lnYhtY q... https://mp.weixin.qq.com/s/lnYhtY q... 原创 AI沃茨 卡尔的AI沃茨2025年10月02日 09:10 西班牙 内测了快三周的豆包 Seed 1.6 vision， 用了上百张图片， 我觉得是时候分享一下了， 大家平时会好奇现在主流模型里有哪几个是带图像理解的吗？ 我好奇。 用多了OpenAI感觉这都是常规功能了，盘了一圈下来，GPT5、Gemini 2.5 Pro、Qwen 3 Max Preview、ChatGLM、Kimi K1.5里就剩DeepSeek V3.1只能识别图片里的文字的了。 那把范围缩小一点呢？在图片理解的基础上带图片工具的， 这个很好理解， 缩放、裁剪、旋转、划线都是图片工具的一种。 当下真的幻视我七八年前用OpenCV打比赛，不知道还有没有人记得这张包浆照片，当年但凡是做图像处理的都应该用过来改色、或者丢给CNN（卷积神经网络）来识别。 所以我也是拿出了OpenAI o3的成名作， 通过放大图片的细节来找地点。 I took this pic earlier today. Can you find the name of the biggest ship you can see, and where it will dock next? 这次能分析出地点的大模型数量下降到1.5个了， 从Gemini 2.5 Pro的思考过程来看它似乎有放大焦点的操作，但是看不到图片预览，所以算0.5个。 有了对照组之后，豆包这次Seed 1.6 vision更新的含金量就拉满了， 它内置了4种图像处理工具： • POINT：在图上绘制一系列点，以及将点连成线 • GROUNDING：框选关键区域，或裁剪关键区域 • ZOOM：缩放全图，或缩放指定关键区域 • ROTATE：旋转图片 不跟GPT5 Thinking来场1对1 SOLO可惜了，于是我跟我的钱包一拍即合，给两家都充了套餐，来一场超全面图像测评，同时这也可能是第一篇做分类做图像推理case比较全的文章了，我在找案例的时候就很希望能遇到一篇这样的文章。 老样子，这次测试所有图片和对话记录我都打包好啦，公众号回复“豆包V”就行 因为目前Seed 1.6 vision需要通过respinse api格式要调用图像工具， 所以我基于好朋友 @苍何 的doubao image process项目，改了一版支持火山引擎对象存储TOS的， 🔗 https://github.com/freestylefly/doubao image process 缩放｜ZOOM 先来个缩放热热身，判断图里是什么车， Seed 1.6 vision： 上来就精确找到了车牌的位置，我甚至都没有让它通过车牌判断是什么车，而且得到了车牌信息后，会通过联网搜索确定车身上的细节是不是就跟小米SU7 Ultra能不能一一匹配。 GPT5 thinking： 同样是通过车牌来补充信息，没有缩放或者裁剪原图。 再来一个恶梦难度的，只有一艘船，船上也没信息， 加了点滤镜，所以天气信息不多 Seed 1.6 vision： 它还可以基于已经裁剪放大的图片后进行2次放大，看看他的思考过程就知道有多难了，前后盘点了八个地点，中间也提到了正确答案 山东威海 GPT5 thinking： 它说的那么笃定，我都有点质疑我自己了， 所以伊朗基什岛（Kish Island）西岸的"希腊沉船"到底长得有多像，不能说一模一样，只能说毫无关系。 旋转｜ROTATE 再来提点难度，就算是我自己把屏幕转180度后也有点看不清， Seed 1.6 vision： 所幸它还可以两次三次方法图片细节，单次就是2倍放大，也就是可以提升到iphone17 pro max同款的八倍镜。 GPT5 thinking： 这边的选手表现咋样呢？可算舍得用PIL工具了，同样是旋转、裁剪、图像增强一条龙。 我还有点好奇能不能做到180➕镜像反转， 讲道理这个case我真的看了半天， Seed 1.6 vision也被我骗到了，第三轮终于意识到字本身还要翻转才看，最终识别的准确率有54% 隔壁GPT5 thinking的识别准确率只有15.4%，能看出来它已经在努力放大细节了，但是每个字的划分区域不够准确导致的错误。 左边是豆包，右边是GPT5 框选｜GROUNDING 有什么比找不同更适合框选呢 该说不说，Seed 1.6 vision找的是真准，没有圈多余的地方 有对照组后，GPT5 thinking画的圈圈就有点不太准了， 再来一个日常的，这时候有框选的话就可以一个个排除问题了 Seed 1.6 vision（上）画的红框又比GPT5 thinking（下）准了不少，从Seed 1.6 vision的思考过程能看出来点细节， 看到这图里的蓝色点吗？用的是point功能，先标注出了物体的中心再画框，能不准吗。。。