北京
內測了快三周的豆包-Seed-1.6-vision，
用了上百張圖片，
我覺得是時候分享一下了，
大家平時會好奇現在主流模型里有哪幾個是帶圖像理解的嗎？
我好奇。用多了OpenAI感覺這都是常規功能了，盤了一圈下來，GPT5、Gemini 2.5 Pro、Qwen-3-Max-Preview、ChatGLM、Kimi K1.5里就剩DeepSeek V3.1只能識別圖片里的文字的了。
那把范圍縮小一點呢？在圖片理解的基礎上帶圖片工具的，
這個很好理解，縮放、裁剪、旋轉、劃線都是圖片工具的一種。
當下真的幻視我七八年前用OpenCV打比賽，不知道還有沒有人記得這張包漿照片，當年但凡是做圖像處理的都應該用過來改色、或者丟給CNN（卷積神經網絡）來識別。
所以我也是拿出了OpenAI o3的成名作，通過放大圖片的細節來找地點。
I took this pic earlier today. Can you find the name of the biggest ship you can see, and where it will dock next?
這次能分析出地點的大模型數量下降到1.5個了，
從Gemini-2.5-Pro的思考過程來看它似乎有放大焦點的操作，但是看不到圖片預覽，所以算0.5個。
有了對照組之后，豆包這次Seed-1.6-vision更新的含金量就拉滿了，
它內置了4種圖像處理工具：
- POINT：在圖上繪制一系列點，以及將點連成線
- GROUNDING：框選關鍵區域，或裁剪關鍵區域
- ZOOM：縮放全圖，或縮放指定關鍵區域
- ROTATE：旋轉圖片
不跟GPT5-Thinking來場1對1 SOLO可惜了，于是我跟我的錢包一拍即合，給兩家都充了套餐，來一場超全面圖像測評，同時這也可能是第一篇做分類做圖像推理case比較全的文章了，我在找案例的時候就很希望能遇到一篇這樣的文章。
老樣子，這次測試所有圖片和對話記錄我都打包好啦，公眾號回復“豆包V”就行
因為目前Seed-1.6-vision需要通過respinse_api格式要調用圖像工具，
所以我基于好朋友@蒼何的doubao-image-process項目，改了一版支持火山引擎對象存儲TOS的，
https://github.com/freestylefly/doubao-image-process
縮放｜ZOOM
先來個縮放熱熱身，判斷圖里是什么車，
Seed-1.6-vision：
上來就精確找到了車牌的位置，我甚至都沒有讓它通過車牌判斷是什么車，而且得到了車牌信息后，會通過聯網搜索確定車身上的細節是不是就跟小米SU7 Ultra能不能一一匹配。
GPT5-thinking：
同樣是通過車牌來補充信息，沒有縮放或者裁剪原圖。
再來一個惡夢難度的，只有一艘船，船上也沒信息，
加了點濾鏡，所以天氣信息不多
Seed-1.6-vision：
它還可以基于已經裁剪放大的圖片后進行2次放大，看看他的思考過程就知道有多難了，前后盤點了八個地點，中間也提到了正確答案山東威海
GPT5-thinking：
它說的那么篤定，我都有點質疑我自己了，
所以伊朗基什島（Kish Island）西岸的"希臘沉船"到底長得有多像，不能說一模一樣，只能說毫無關系。
旋轉｜ROTATE
再來提點難度，就算是我自己把屏幕轉180度后也有點看不清，
Seed-1.6-vision：
所幸它還可以兩次三次方法圖片細節，單次就是2倍放大，也就是可以提升到iphone17 pro max同款的八倍鏡。
GPT5-thinking：
這邊的選手表現咋樣呢？可算舍得用PIL工具了，同樣是旋轉、裁剪、圖像增強一條龍。
我還有點好奇能不能做到180?鏡像反轉，
講道理這個case我真的看了半天，
Seed-1.6-vision也被我騙到了，第三輪終于意識到字本身還要翻轉才看，最終識別的準確率有54%
隔壁GPT5-thinking的識別準確率只有15.4%，能看出來它已經在努力放大細節了，但是每個字的劃分區域不夠準確導致的錯誤。
左邊是豆包，右邊是GPT5
框選｜GROUNDING
有什么比找不同更適合框選呢
該說不說，Seed-1.6-vision找的是真準，沒有圈多余的地方
有對照組后，GPT5-thinking畫的圈圈就有點不太準了，
再來一個日常的，這時候有框選的話就可以一個個排除問題了
Seed-1.6-vision（上）畫的紅框又比GPT5-thinking（下）準了不少，從Seed-1.6-vision的思考過程能看出來點細節，
看到這圖里的藍色點嗎？用的是point功能，先標注出了物體的中心再畫框，能不準嗎。。。
繪線幾何｜POINT
剛好提到point，我還給模型們準備了數學幾何題，
Seed-1.6-vision在單次思考的過程也不是只會在固定的兩點畫線的，
point可以隨意移動，超長的上下文讓它可以一次輸出十幾張過程圖。
GPT5-thinking這波屬于是“虛空畫線“了，
看來是用的PIL沒有定點和連線的功能，
當然，這道題他們兩個都答對了。
最后再來兩個我測試過程中遇到的小彩蛋，
Seed-1.6-vision在回答圖像邏輯題和圖像里主體之間的邏輯關系也有很高的準確率。
一句話總結就是好用，
實打實的好用，
默認開啟的圖像工具降低了寫提示語的成本，
兩兩組合還可以完成畫線，準點畫框、旋轉+八倍放大的操作，
求趕緊同步發布到可以直接使用的網頁端，
降低使用門檻，
這樣我們都可以用上我們自己的，
最好的模型。
@ 作者 / 卡爾
最后，感謝你看到這里如果喜歡這篇文章，不妨順手給我們點贊｜在看｜轉發｜評論
如果想要第一時間收到推送，不妨給我個星標
更多的內容正在不斷填坑中……
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
