大模型从烧钱到落地，到该“验收”的时候。

继通用大模型价格以厘计算之后，字节再一次将多模态大模型带入“厘时代”。

火山引擎于2024年12月18日举行。 Force 会上，字节跳动正式发布豆包视觉理解模型。与此同时，公布其价格为0.003元，相当于一元钱可以处理284张720P的照片。

比较claude 3.5 0.021元/千tokensSonnet,qwen-vl-0.02元/千tokensmax，GPT-0.0175元/千tokens4o，豆包视觉理解模型比行业便宜85元％。

而且在此之前的5月份，字节跳动发布的豆包大模型，其主要模型在企业市场上的价格是0.0008元/千Tokens，0.8厘可以处理1500多个汉字，比行业便宜99.3%，让大模型从分计费到厘计价。

这一操作迫使阿里巴巴云的三款主要通义千问模型再次降价，最高降幅达到90%。百度智能云直接宣布，文心大模型的两款主要模型ENIRE Speed、ENIRE Lite完全免费。

不到一年半的时间，字节如何在AI大模型市场落后？多模式大模型发展到哪一步？未来大模型技术在应用侧的新趋势是什么？

01.“卷王”豆包后来居上？

2023年是国内“大爆发”模式的一年。

从去年3月开始，许多大型企业和创新型企业都出现了自研大型商品：阿里通义千问1.0、腾讯混合元、360智能大脑、华为盘古、科大讯飞星火、商汤日新、百川大模型、智谱AIGLM等。都起源于今年。

作为AI起步较晚的玩家，字节直到去年1月才成立大型R&D部门，8月份才发布“云雀”大型模型和“豆包”对外测试AI对话产品。

尽管来得晚，但是架不住别人涨得快。

根据量子位智库的数据，截至11月底，2024年豆包累计用户数已超过1.6亿；11月份，平均每天有80万新用户下载豆包，每天有近900万活跃用户，仅次于OpenAI的ChatGPT，位居世界第二，国内第一。

据字节跳动公布的数据显示，截至12月中旬，豆包通用模型的日均tokens使用量已超过4万亿元，比7个月前第一次发布时增加了33倍。

没有字节这个“卷王”的大力推动，“豆包”就能如此成长。

第一个是卷流量。

据App 截至11月15日，Growing统计，Kimi、国内十大大型商品，如豆包、星野等，共投放超过625万条广告，投放金额达到15亿元。在这两种商品中，Kimi和豆包是最疯狂的两种，分别投放了5.4亿元和4亿元。

目前，花钱购买是AI产品启动最直观、最快捷的方式。但在各种交付渠道中，字节的巨型引擎(字节跳动旗下的广告交付平台，包括今日头条、抖音、西瓜视频等营销资源)基本不可或缺。

这使得背靠字节的豆包最大限度地发挥了流量池的优势。在Tiktok中，字节几乎屏蔽了除了豆包之外的所有AI应用，只留给自己的豆包。虽然不确定巨额投资是否能获得超级应用，但至少给豆包带来了肉眼可见的用户增长。

其次是卷货。

从聊天助手、视频工具到娱乐应用、办公等领域，字节相继推出了十几个。 AI 应用程序，覆盖绝大多数主要应用程序 AI 产品方向。今年10月，字节还推出了一个可以和豆包语音对话的 Ola Friend 近期仍在研发耳机 AI 眼镜。

这种饱和的R&D，一方面可以加速豆包大模型依靠多种AI应用的迭代；另一方面，预计AI硬件终端可以拓宽豆包大模型的使用场景，从而实现整个“豆包” ”产业链闭环。

另外，豆包还在卷曲的场景中，以求在使用上多开花。

据了解，豆包模型已与80%的主流汽车品牌合作，接入多个智能终端，如手机和PC，覆盖约3亿台智能终端。半年内，来自智能终端的豆包模型数量增加了100倍。最近三个月，大豆包模型在信息处理场景中的调用量增加了39倍，客户服务和销售场景增加了16倍，硬件终端场景增加了13倍，AI工具场景增加了9倍，学习和教育场景也大幅增加。

可以说，丰富的内部生态、持续的资源投入、庞大的优质数据和应用领域，以及全面接入AI、相互开放，是豆包成为行业“卷王”的秘诀。

02.下半场开始争夺多模态。

自 OpenAI 推出 Sora，使“一句话生成视频”成为可能；谷歌发布 Gemini ，国内主要公司能够无缝地理解、操作和组合不同类型的信息，开始相继跟进、布局视频、音乐、语音等多种模式。 AI 应用。

例如，从今年5月开始，生数科技Vidu、快手可灵、字节即梦、智谱清影、商汤Vimi等相继发布文生视频模型；九月，MiniMax正式发布视频模型video-01、在云栖大会上，阿里云发布了通义万相全新的视频生成模型，美图宣布MiracleVision大模型升级了视频生成能力；腾讯混合元大模型正式推出视频生成能力，而月亮暗面旗下的Kimi则被曝出“Kimi创作空间”正在测试AI视频生成功能。...多模态的“多”逐渐成为新的发展方向。

根据介绍，火山发动机发布的豆包视觉理解模型的主要能力包括：

内容识别能力更强：不但能识别出物体类别、形状等基本要素，还能理解物体之间的关系、空间布局以及场景的整体含义。

更强的理解和推理能力：不但可以更好地识别内容，而且可以根据所识别的文字图像信息进行复杂的思维计算。

视觉描述能力更加细腻：在图像信息的基础上，可以更加细致地描述图像所呈现的内容，也可以进行多种文体的创作。

继 GPT-4 在英语角度的里程碑式突破之后，业界普遍认为“视觉”是下一个爆发的赛道。毕竟，人类的五种感官中有 80% 这是一种视觉信息，未来的大模型也应该充分利用更多种类的感官，从而探索实现。 AGI 的路径。

火山发动机总裁谭待也在接受采访时表示，推出视觉理解模型相当于解锁了一个大场景。与过去只有文字对话的AI相比，聊天功能与深度推理、图像视觉理解等能力的结合，可以帮助模型处理现实世界中的大量综合信息，帮助人类完成一系列复杂的工作。

比如在旅游场景中，帮助游客看外语菜单，讲解照片中建筑物的背景知识；在教育场景中，提高学生的作文和科普知识；在办公场景中，模型不仅可以识别内容，还可以帮助客户分析图表中的数据关系，处理代码逻辑。

此外，火山引擎不仅推出了视觉理解模型，还推出和升级了许多其他模型。例如，豆包通用模型pro已经完全对齐了GPT-4o。；音乐模型从60秒的简单结构升级为3分钟的完整作品；2.1版本的文生图模型访问即梦AI和豆包App。...

可以看出，豆包系列的大模型虽然相对于市场上的同类产品发布时间不早，但一直保持着更快的更新速度，通过即梦AI获得最新能力。、应用，如豆包App，对普通用户快速开放。

而当下，AI 市场关注的焦点正从“大模型”逐渐转变为“大模型” "。除常规的外 AI 文字对话类应用，多模式的“多”逐渐成为新的方向。

03.该“验收”时，大模型就到了。

百度创始人李彦宏在2024年世界人工智能大会上在演讲中提到，“2023年，中国出现了百模对决，这实际上造成了社会资源的巨大浪费，尤其是计算能力的浪费。”的确，无论是技术研发成本还是应用成本，真金白银的支持对于大模型的发展每一步都是不可或缺的。

目前，随着行业回归理性，越来越多的AI企业意识到，卷参数、卷Token数、卷集群规模和卷价意义不大，大模型的商业化是最重要的问题。

根据终端用户类型，AI大模型的商业模式可以分为to C、to B。

lto C：也就是说，面向个人客户，包括免费和付费订阅模式。腾讯元宝、百度文心一言(3.5版)等免费模式；百度的文心一言(4.0版)等付费订阅模式、OpenAIChatGPT（4.0版本）；

lto B：也就是说，面向企业，包括API调用授权、SaaS模式。在API调用授权模式下，企业客户可以将AI功能集成到自己的应用程序或服务中，通常根据调用频率或信息量收费，如阿里通义千问、智谱AI等。；大模型公司在SaaS模式下为用户提供软件服务，用户不需要安装和维护软件，例如Google Cloud AI。实际应用中，大型企业一般采用多种商业模式混合使用。

目前多模态大模式竞争火爆，将带动众多行业重塑生产环节，必将在以下几个领域引发新一轮的升级与竞争：

影音创作：当大模型从单模态生成转变为多模态生成时，AIGC的应用降低了专业创作的门槛，这将改变视听传媒行业的生产模式，创造新的内容生产模式，提高创作效率，扩大创作空间，提高作品质量。

情绪智能：GPT-4o和Gemininini等基于最新的AI模型。 1.5 Pro，未来，AI公司将采用流动语音识别、多模式AI和情绪计算等技术，大大提升互动体验。这意味着多模式模型将赋予机器情感价值，通过对客户情绪和行为的深入分析，满足用户多样化的公司需求。

工业智造：未来多模式大模型有望与目前广泛使用的专用小模型相互补充，深度赋能工业制造的各个环节。随着场景数据的整合和积累，感知和理解能力将进一步升级，以满足生产制造中的个性化需求，从而促进工业产业变革。

总之，如今AI领域的竞争核心已经从“是否有对抗”的大模式转变为“应用对抗”。在这个阶段，竞争的不再是宏观概念，而是落地能力和商业化的进步。

随着国内大型模型的不断迭代和升级，国内GPU供应问题的叠加逐渐减少，政策的牵引等。预计国内大型模型培训计算能力的需求将逐步释放，这不仅将进一步加快大型模型的应用，还将为AI时代带来新的行业机遇。

本文来自微信微信官方账号“DoNews”（ID：ilovedonews），作家：文林，编辑：杨博丞，36氪经授权发布。

本文仅代表作者观点，版权归原创者所有，如需转载请在文中注明来源及作者名字。

免责声明：本文系转载编辑文章，仅作分享之用。如分享内容、图片侵犯到您的版权或非授权发布，请及时与我们联系进行审核处理或删除，您可以发送材料至邮箱：service@tojoy.com