豆包可以跟你打視頻了，陪我看《甄嬛傳》還挺懂！難倒一眾AI的“看時鐘”也沒難倒它
不只是看，還有思考
金磊 發(fā)自 凹非寺
量子位 | 公眾號 QbitAI
幾乎讓大模型全軍覆沒的新難題——看時鐘，被國產(chǎn)AI給拿下了。
要知道，之前單單是一張時鐘的圖表，幾乎所有大模型都答不對時間。
但現(xiàn)在，國產(chǎn)AI卻可以直接開視頻，實時報準時間！
視頻地址：
https://mp.weixin.qq.com/s/z9REbmL2COn_No1ZR_sa3g
可以看到，這個國產(chǎn)AI先是準確地報出了“4點14分”，而在等了一分鐘后，它也是可以再次準確報時“4點15分”。
那么這到底是何許AI也？
不賣關(guān)子，它就是豆包發(fā)布的新功能——視頻通話。
主打一個讓AI邊看邊聊天。
而且啊，它還是接入了聯(lián)網(wǎng)搜索的功能，所以回答的準確性和時效性這塊也是拿捏到位了。
例如我們對著微博熱搜的話題提個問題：
這個熱搜第一的是什么新聞呀？
視頻地址：
https://mp.weixin.qq.com/s/z9REbmL2COn_No1ZR_sa3g
可以看到，聯(lián)網(wǎng)的豆包在視頻通話的過程中，就可以直接把當下的新聞熱點給你總結(jié)出來。
不得不說，這種跟AI的互動，不論是趣味性還是可靠性，都大大地增強了。
除此之外，這次的新功能還增加了“字幕”的選項，點擊之后就可以看到之前對話的具體內(nèi)容啦~
既然這個功能如此有趣，那我們必須安排一波深度實測。
來，走起~
跟豆包一塊看《甄嬛傳》
我們先來簡單介紹一下視頻通話的操作方式。
打開豆包App之后，依次點擊“對話”→“+號”→“打電話”→“開啟視頻通話”即可：
我們的第一個實測，就是看看豆包能不能成為一個看劇搭子，能跟你邊看視頻邊聊劇情。
有請《甄嬛傳》：
視頻地址：
https://mp.weixin.qq.com/s/z9REbmL2COn_No1ZR_sa3g
豆包在看視頻的瞬間，立馬辨別出這是《甄嬛傳》，并且分析出了這個名場面：
祺貴人就是想借著皇后的手扳倒甄嬛呢。
不僅如此，它還是個有態(tài)度的AI，超級不看好祺貴人這個角色：
她太心急又沒腦子，最后肯定不會得逞的……根本不是甄嬛的對手。
整體來看，豆包稱得上是個合格的看劇搭子了。
接下來，我們再來看看豆包視頻通話在生活場景中能不能幫上忙。
例如我們給它看幾個食材，然后提問：
拿這些食材我能做什么菜??？
視頻地址：
https://mp.weixin.qq.com/s/z9REbmL2COn_No1ZR_sa3g
豆包不僅秒識別出食材，還把炒菜的步驟、調(diào)味品等特別詳細地講解了一番。
以后要是遇到不會做的菜，是可以用視頻通話的方式問問豆包了。
類似的，我們讓它再看看一道物理題：
幫我看下第4題怎么做？
視頻地址：
https://mp.weixin.qq.com/s/z9REbmL2COn_No1ZR_sa3g
豆包準確地識別出題目，然后立馬開始作答，把整個題目的求解過程詳盡地說了出來，最后給出了正確答案：A。
不僅是物理題，現(xiàn)在直接讓豆包看論文、代碼，它也能幫你答疑解惑哦~
視頻地址：
https://mp.weixin.qq.com/s/z9REbmL2COn_No1ZR_sa3g
一番實測下來，豆包視頻通話功能，整體直觀的感受就是：有用，好用。
不只是看，還有思考
豆包視頻通話功能背后，其實是豆包·視覺理解模型在發(fā)力。
豆包?視覺理解模型擁有非常強的內(nèi)容識別能力，它就像一個敏銳的 “眼睛”，能夠精準識別圖像中的各種要素。
從基本的物體類別、形狀、紋理，到物體之間的關(guān)系、空間布局以及場景的整體含義，甚至背后的文化知識，都能被其敏銳捕捉。
例如，它不僅可以輕松識別現(xiàn)實中的常見物品，還能根據(jù)光影、輪廓、位置等特征，準確識別出小動物的影子并判斷出這是一只貓。
再如，當用戶在清晨跑步時，看到光線從樹林間灑出來，隨手拍張照片詢問豆包大模型，它能迅速識別出這是丁達爾效應(yīng)，并詳細科普其原理。
這種強大的內(nèi)容識別能力，讓AI能夠更好地理解現(xiàn)實世界的視覺信息，為后續(xù)的理解和推理奠定了堅實基礎(chǔ)。
理解推理能力是豆包?視覺理解模型的又一核心優(yōu)勢。
它不僅能識別圖文信息，還能進行復(fù)雜的邏輯計算，在多個領(lǐng)域展現(xiàn)出了強大的解決問題的能力。
在教育場景中，拍下一道需要進行微積分運算的數(shù)學(xué)題，模型能很好地理解圖片問題，并根據(jù)提示詞進行對應(yīng)的推理計算，給出清晰的答題思路，幫助學(xué)生更好地理解和解決數(shù)學(xué)難題。
除了識別與理解推理能力，豆包?視覺理解模型還擁有非常細膩的視覺描述和創(chuàng)作能力。
這也就不難理解為什么豆包視頻通話能做到又快又準又好。
總而言之，AI和人類交互的方式變得越來越有趣了。
參考鏈接：
https://arxiv.org/pdf/2502.05092
- 商湯林達華萬字長文回答AGI：4層破壁，3大挑戰(zhàn)2025-08-12
- 商湯多模態(tài)大模型賦能鐵路勘察設(shè)計，讓70年經(jīng)驗“活”起來2025-08-13
- 以“具身智能基座”為核，睿爾曼攜全產(chǎn)品矩陣及新品亮相2025 WRC2025-08-11
- 哇塞，今天北京被機器人人人人人塞滿了！2025-08-08
