Doubao-Seed-1.8

Tekniske specifikationer for Seed 1.8 API

Hvad er Doubao Seed 1.8?

Doubao Seed 1.8 er Seed-teamets 1.8-udgivelse: en samlet LLM+VLM, der eksplicit sigter mod generaliseret agentik i den virkelige verden — dvs. perception (billeder/video), ræsonnering, værktøjsorkestrering (søgning, funktionskald, kodeeksekvering, GUI grounding) og flertrins beslutningstagning i én model. Designet fremhæver konfigurerbare “tænketilstande” (afvejninger mellem latenstid og dybde), effektiv visuel kodning og indbygget støtte til lange kontekster og multimodale input, så modellen kan fungere som en autonom assistent/agent i produktionsarbejdsgange.

Hovedfunktioner i Seed 1.8 API

1. Samlet multimodal agentisk model. Integrerer perception (billede/video), ræsonnering (LLM) og handling (værktøjs- og G U I-kald, kodeeksekvering) i én model i stedet for en opdelt pipeline. Dette muliggør kompakte agentarbejdsgange og lavere orkestreringskompleksitet.
2. Ekstremt lang kontekst og håndtering af lange videoer. Lang kontekst (produktunderstøttelse op til 256k tokens) og specifikke langvideo-benchmarks (Seed1.8 viser stærk videotoken-effektivitet). Modellen understøtter selektive videoværktøjer (VideoCut) for at fokusere ræsonnering på tidsstempler.
3. Agentisk GUI-automation og værktøjsbrug. Benchmarks og interne tests (OSWorld, AndroidWorld, LiveCodeBench, GUI-grounding-benchmarks) viser forbedringer i GUI-agentopgaver og flertrins-automatisering. Modellen kan outputte GUI-grounding-kommandoer og operere i simulerede OS-/web-/mobile kontekster.
4. Konfigurerbare tænketilstande til styring af latenstid/omkostninger. Fire inferenstilstande lader udviklere tune beregningsforbrug ved testtid til interaktive vs. højkvalitets batchopgaver. Dette er nyttigt i produktionssystemer med stramme latenstidsbudgetter.
5. Forbedret tokeneffektivitet (multimodal). Seed 1.8 demonstrerer stærkere tokeneffektivitet på multimodale benchmarks sammenlignet med forgængerne (Seed-1.5/1.6-serien) og opnår høj nøjagtighed med mindre token-budgetter i flere langvideo-opgaver.
6. Konfigurerbare tænketilstande: afvej inferensdybde mod latenstid/omkostninger med distinkte tilstande (no_think → think-high) for at tune til interaktiv produktionsbrug.
7. Teknisk kapabilitet
   • Tokeneffektivitet: Seed1.8 viser markant tokeneffektivitet vs. forgængere (Seed-1.5/1.6), med bedre nøjagtighed ved lavere token-budgetter på lange videoopgaver (fx konkurrencedygtig nøjagtighed selv ved 32K videotokens). Dette muliggør lavere inferensomkostninger for lange input.
   • Multimodal ræsonnering og perception: Modellen når SOTA på flere multi-image VQA- og bevægelses-/perceptionsopgaver og opnår andenplads eller nær-SOTA på mange multimodale ræsonneringsbenchmarks; specifikt overgår den sin forgænger på næsten alle målte visuelle/video-dimensioner.
   • Agentisk værktøjsbrug og GUI grounding: Dokumenteret support til GUI-grounding og skærmbaserede operations-benchmarks (ScreenSpot-Pro, GUI agenting) med stærke grounding-scorer (fx forbedringer over Seed-1.5-VL på ScreenSpot-Pro).
   • Parallel / trinvist ræsonnement: Øget testtids-beregning (parallel tænkning) giver målbare gevinster på matematik-, kode- og multimodale ræsonneringsbenchmarks

Udvalgte offentlige benchmark-højdepunkter for Seed1.8

• VCRBench (visuel almene-viden-ræsonnering): Seed1.8 scorede 59.8 (Pass@1 rapporteret i modelkortets tabel), en forbedring over Seed-1.5-VL og konkurrencedygtig med topmodeller
• VideoHolmes (videoræsonnering): Seed1.8 65.5, overgår Seed-1.5-VL og nærmer sig pro-grade konkurrencemodeller.
• MMLB-NIAH (multimodal lang kontekst, 128k): Seed1.8 opnåede 72.2 Pass@1 ved 128k kontekst i MMLB-NIAH og overgår nogle samtidige pro-modeller.
• Motion & Perception-suiten: SOTA i 5 ud af 6 evaluerede opgaver; eksempler inkluderer TVBench, TempCompass og TOMATO, hvor Seed1.8 viser væsentlige gevinster i temporal perception.
• Agentiske arbejdsgange: På BrowseComp og andre agentiske søge-/kodebenchmarks placerer Seed1.8 sig ofte på niveau med eller over konkurrerende pro-modeller

Seed 1.8 vs Gemini 3 Pro / GPT-5.x

• Seed1.8 vs Seed-1.5-VL / Seed-1.6: Klare forbedringer i multimodal perception, tokeneffektivitet for lange videoer og agentisk eksekvering.
• Seed1.8 vs Gemini 3 Pro / GPT-5.x: På mange multimodale benchmarks matcher eller overgår Seed1.8 Gemini 3 Pro (SOTA på flere VQA-/bevægelsesopgaver; bedre på MMLB-NIAH 128k-kørsel). Dog viser kortet også områder, hvor Gemini-familien bevarer fordele på visse faglige vidensopgaver — den relative rangorden afhænger altså af benchmark.
• Seed-Code-variant (Doubao-Seed-Code): specialiseret til programmerings-/agentiske kodeopgaver (stor kontekst for kodebaser; specialiserede SWE-benchmarks). Seed1.8 er den generalistiske agentiske multimodale model, mens Seed-Code er den programmeringsfokuserede variant.

Praktiske anvendelsestilfælde med Seedream 4.5 API på CometAPI

• Multimodale forskningsassistenter og dokumentanalyse: udtræk, opsummer og ræsonnér på tværs af lange dokumenter, præsentationer og rapporter med flere sider.
• Forståelse og overvågning af lange videoer: sikkerheds-/sportsudsendelsesanalyse, lange mødeopsummeringer og streaminganalyse, hvor modellens langvideo-tokeneffektivitet er vigtig.
• Agentiske arbejdsgange / automatisering: flertrins web-søgning + kodeeksekvering + dataudtræk-scenarier (fx automatiseret konkurrentanalyse, rejseplanlægning, forskningspipelines demonstreret i interne benchmarks).
• Udviklerværktøjer (hvis du bruger Seed-Code): analyse af store kodebaser, IDE-assistenter og agentisk kodeeksekvering til test og reparation (Seed-Code er den anbefalede specialiserede variant).
• GUI-automation og RPA: skærm-grounding og GUI-agent-benchmarks indikerer, at modellen kan udføre strukturerede GUI-opgaver bedre end tidligere Seed-udgivelser.

Sådan bruger du doubao Seed 1.8 API via CometAPI

Doubao seed1.8 tilbydes kommercielt gennem CometAPI som en hostet inferens-API. API'et understøtter multimodale payloads (tekst + billeder + videofragmenter / tidsstempler) og konfigurerbare inferenstilstande for at afveje latenstid og compute mod svarkvalitet.

Kaldmønstre: API'et understøtter standard chat-/completion-forespørgsler, streamede svar og agentiske forløb, hvor modellen udsteder værktøjskald (søgning, kodeeksekvering, GUI-handlinger) og indlæser værktøjsoutput som efterfølgende kontekst.

Streaming og håndtering af lang kontekst: API'et understøtter streaming og har indbyggede kontekststyringsprimitiver til lange sessioner (for at muliggøre 100K+ kontekster / flertrins agentspor).

Trin 1: Tilmeld dig for at få en API-nøgle

Log ind på cometapi.com. Hvis du ikke er bruger endnu, skal du registrere dig først. Log ind i din CometAPI console. Hent adgangslegitimations-API-nøglen til interfacet. Klik på “Add Token” ved API-tokenet i personcentret, hent token-nøglen: sk-xxxxx og indsend.

Trin 2: Send forespørgsler til doubao Seed 1.8 API

Vælg “doubao-seed-1-8-251228” endpointet for at sende API-forespørgslen og angiv request body. Forespørgselsmetode og request body findes i vores websteds API-dokumentation. Vores websted tilbyder også Apifox-test for din bekvemmelighed. Erstat <YOUR_API_KEY> med din faktiske CometAPI-nøgle fra din konto. Kompatibel med Chat APIs.

Indsæt dit spørgsmål eller din anmodning i content-feltet — det er dette, modellen vil svare på. Behandl API-svaret for at få det genererede svar.

Trin 3: Hent og verificer resultater

Behandl API-svaret for at få det genererede svar. Efter behandlingen svarer API'et med opgavestatus og outputdata.