5月6日消息，字节跳动旗下火山引擎Doubao-Seed-2.0-lite模型升级新版本，作为豆包大模型家族首款全模态理解模型，该版本支持视频、图像、音频、文本的原生统一理解，Agent、Coding与GUI能力同步升级。新版本不止能看懂图文还能听懂世界，在视觉理解能力上大幅提升，尤其在物理、医疗等高阶学科推理上表现超越前代，细粒度感知与具身理解达到SOTA水平，适合企业在高价值场景规模化部署。

Doubao-Seed-2.0-lite新版本融入语音理解后，能同时理解多种输入模态并完成跨模态联合推理，直接处理复杂业务需求。在视频理解场景下，模型联合分析画面与音频信息，精准辨析视听一致性，支持根据自然语言指令定位视频中特定事件发生的时间点，并能跨越多个时间段提取关键线索，持续追踪人物与事件发展，基于画面进行多步逻辑推理。

此外，新版本模型在音频上支持19个语种的精准语音转写、中英文与其他14个语种互译，并能深度捕捉语音中的情绪变化、环境背景声与音乐细节，输出更完整、更接近人类认知的语义信息。在Agent和Coding能力上，新版本显著提升多轮、多步、多约束的用户指令遵循度，增强任务反思推理与多Agent协同调度能力，适配深度搜索与Skill动态调用，提升Coding能力覆盖前端页面、3D场景与游戏开发，胜任前后端深度开发。