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 generalized real-world agency — dvs. perception (billeder/video), ræsonnering, værktøjsorkestrering (søgning, funktionskald, kodeeksekvering, GUI-grounding) og flertrinsbeslutningstagning i én enkelt model. Designet lægger vægt på konfigurerbare “thinking modes” (afvejninger mellem latenstid og dybde), effektiv visuel kodning og indbygget understøttelse af lang kontekst og multimodale input, så modellen kan fungere som en autonom assistent/agent i produktionsworkflows.

Hovedfunktioner i Seed 1.8 API

1. Samlet multimodal agentisk model. Integrerer perception (billede/video), ræsonnering (LLM) og handling (værktøjs-/G U I-kald, kodeeksekvering) i en enkelt model i stedet for en opdelt pipeline. Dette muliggør kompakte agent-workflows og lavere orkestreringskompleksitet.
2. Ultralang kontekst og håndtering af lange videoer. Lang kontekst (produktsupport op til 256k tokens) og specifikke long-video-benchmarks (Seed1.8 viser stærk long-video-tokeneffektivitet). Modellen understøtter selektive videoværktøjer (VideoCut) til at fokusere ræsonnering på tidsstempler.
3. Agentisk GUI-automatisering og værktøjsbrug. Benchmarks og interne tests (OSWorld, AndroidWorld, LiveCodeBench, GUI-grounding-benchmarks) viser forbedringer i GUI-agentopgaver og flertrinsautomatisering. Modellen kan outputte GUI-grounding-kommandoer og operere i simulerede OS-/web-/mobilkontekster.
4. Konfigurerbare thinking modes til styring af latenstid/omkostninger. Fire inferenstilstande lader udviklere justere compute ved testtid til interaktive opgaver versus batchopgaver af høj kvalitet. Dette er nyttigt for produktionssystemer med stramme latenstidsbudgetter.
5. Forbedret tokeneffektivitet (multimodal). Seed 1.8 demonstrerer stærkere tokeneffektivitet på multimodale benchmarks sammenlignet med sine forgængere (Seed-1.5/1.6-serien) og opnår høj nøjagtighed med mindre tokenbudgetter i flere long-video-opgaver.
6. Konfigurerbare thinking modes: afvej inferensdybde mod latenstid/omkostninger med forskellige tilstande (no_think → think-high) for at tilpasse interaktiv brug i produktion.
7. Tekniske kapaciteter

• Tokeneffektivitet: Seed1.8 viser markant tokeneffektivitet i forhold til forgængere (Seed-1.5/1.6) og leverer stærkere nøjagtighed ved lavere tokenbudgetter på lange videoopgaver (f.eks. ved at opnå 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 understøttelse af GUI-grounding og skærmbaserede operationsbenchmarks (ScreenSpot-Pro, GUI agenting) med stærke grounding-scorer (f.eks. forbedringer i forhold til Seed-1.5-VL på ScreenSpot-Pro).
• Parallel / trinvist ræsonnering: Øget compute ved testtid (parallel thinking) giver målbare gevinster på benchmarks for matematik, kodning og multimodal ræsonnering

Udvalgte offentlige benchmark-højdepunkter for Seed1.8

• VCRBench (visual commonsense reasoning): Seed1.8 scorede 59.8 (Pass@1 rapporteret i modelkorttabellen), en forbedring i forhold til Seed-1.5-VL og konkurrencedygtig med topmodeller
• VideoHolmes (videoræsonnering): Seed1.8 65.5, overgår Seed-1.5-VL og nærmer sig professionelle konkurrerende modeller.
• MMLB-NIAH (multimodal lang kontekst, 128k): Seed1.8 opnåede 72.2 Pass@1 ved 128k kontekst i MMLB-NIAH og overgik nogle samtidige pro-modeller.
• Motion & Perception suite: SOTA i 5 ud af 6 evaluerede opgaver; eksempler inkluderer TVBench, TempCompass og TOMATO, hvor Seed1.8 viser betydelige fremskridt i temporal perception.
• Agentiske workflows: På BrowseComp og andre agentiske søge-/kodebenchmarks rangerer Seed1.8 ofte tæt på 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). Kortet viser dog også områder, hvor Gemini-familien bevarer fordele på visse fagspecifikke videnopgaver — så den relative rangordning afhænger af benchmark.
• Seed-Code-variant (Doubao-Seed-Code): specialiseret til programmering/agentiske kodeopgaver (stor kontekst til kodebaser; specialiserede SWE-benchmarks). Seed1.8 er den generalistiske agentiske multimodale model, mens Seed-Code er den programmeringsfokuserede variant.

Praktiske use cases for Seedream 4.5 API på CometAPI

• Multimodale forskningsassistenter og dokumentanalyse: udtræk, opsummer og ræsonnér på tværs af lange dokumenter, præsentationer og flersidede rapporter.
• Forståelse og overvågning af lange videoer: analyse af sikkerhed/sportsudsendelser, opsummering af lange møder og streaminganalyse, hvor modellens long-video-tokeneffektivitet er vigtig.
• Agentiske workflows / automatisering: scenarier med flertrins websøgning + kodeeksekvering + dataudtræk (f.eks. 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-automatisering og RPA: screen grounding og GUI-agentbenchmarks 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 udbydes nu kommercielt via 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.

Kaldemønstre: API’et understøtter standard chat-/completion-lignende forespørgsler, streamingsvar og agentiske flows, 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 context management-primitiver 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 endnu ikke er bruger hos os, skal du først registrere dig. Log ind på din CometAPI-konsol. Hent adgangsoplysningerne i form af API-nøglen til interfacet. Klik på “Add Token” under API-token i det personlige center, hent token-nøglen: sk-xxxxx, og indsend.

Trin 2: Send forespørgsler til doubao Seed 1.8 API

Vælg endpointet “doubao-seed-1-8-251228 ” for at sende API-forespørgslen og angive request body. Request method og request body findes i API-dokumentationen på vores website. Vores website tilbyder også Apifox-test for din bekvemmelighed. Erstat <YOUR_API_KEY> med din faktiske CometAPI-nøgle fra din konto. Kompatibilitet med Chat-API’erne.

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

Trin 3: Hent og verificer resultater

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