Seed 1.8 API-дің техникалық сипаттамалары
| Элемент | Сипаттама / ескертпе |
|---|---|
| Модель атауы / сериясы | Doubao-Seed-1.8 (Seed1.8) — ByteDance Seed / Volcano Engine |
| Қолдайтын модальдар | Мәтін, суреттер, видео (мультимодальды VLM мүмкіндіктері), экожүйедегі аудио құралдары (аудио/видео генерациясына арналған бөлек модельдер). |
| Контекст терезесі (мәтін) | 256K токен |
| Видео / визуалдық мүмкіндіктері | Ұзақ видео бойынша пайымдауға арналған, тиімді визуал кодтауды және үлкен видео-токен бюджеттерін қолдайды (модель картасында видео токен эксперименттері мен ұзақ видео бенчмарктері бар). |
| Енгізу пішімдері | Еркін мәтіндік сұраулар; сурет жүктеулері (скриншоттар, диаграммалар, фотолар); видео токендендірілген кадрлар түрінде / сегменттерді қарауға арналған видео құралдары; файл жүктеулері (құжаттар). |
| Шығыс пішімдері | Табиғи тілдегі мәтін, құрылымдалған шығулар (structured-output beta), функция/құрал шақырулары, код және оркестрация арқылы мультимодальды шығулар. |
| Ойлау/инференс режимдері | no_think, think-low, think-medium, think-high — дәлдік пен кідіріс/құн арасындағы айырбас. |
Doubao Seed 1.8 деген не?
Doubao Seed 1.8 — Seed тобының 1.8 шығарылымы: нақты әлемдік агенттіктің жалпыланған міндеттерін нысанаға алатын біріктірілген LLM+VLM — яғни, қабылдау (суреттер/видео), пайымдау, құрал оркестрациясы (іздеу, функция шақыру, код орындау, GUI grounding) және бір модель ішінде көпқадамды шешім қабылдау. Дизайн «ойлау режимдерін» баптауға (кідіріс пен тереңдік арасындағы айырбас), тиімді визуал кодтауға және ұзын контекст пен мультимодальды енгізулерге тумысынан қолдауға басымдық береді, осылайша модель өндірістік жұмыс ағындарында автономды ассистент/агент ретінде әрекет ете алады.
Seed 1.8 API-дің негізгі мүмкіндіктері
- Біріктірілген мультимодальды агенттік модель. Қабылдауды (сурет/видео), пайымдауды (LLM) және әрекетті (құрал/G U I шақырулары, код орындау) бөлек құбырдан гөрі бір модельде біріктіреді. Бұл ықшам агенттік жұмыс ағындарын және оркестрация күрделілігін төмендетуді мүмкін етеді.
- Өте ұзын контекст және ұзақ видео өңдеу. Ұзын контекст (өнімде 256k токенге дейін қолдау) және нақты ұзақ видео бенчмарктері (Seed1.8 ұзақ видео бойынша токен тиімділігін көрсетеді). Модель уақыт белгілеріне назар аударту үшін селективті видео құралдарын (VideoCut) қолдайды.
- Агенттік GUI автоматтандыруы және құралдарды пайдалану. Бенчмарктер мен ішкі тесттер (OSWorld, AndroidWorld, LiveCodeBench, GUI grounding бенчмарктері) GUI агенттік тапсырмаларында және көпқадамды автоматтандыруда жақсаруды көрсетеді. Модель GUI grounding командаларын шығарып, OS/веб/мобильді симуляцияланған контексттерде жұмыс істей алады.
- Кідіріс/құнды бақылауға арналған бапталатын ойлау режимдері. Төрт инференс режимі әзірлеушілерге интерактивті және жоғары сапалы топтық тапсырмалар арасында есептеулерді тест уақытымда баптауға мүмкіндік береді. Бұл қатаң кідіріс бюджеттері бар өндірістік жүйелер үшін пайдалы.
- Жақсартылған токен тиімділігі (мультимодальды). Seed 1.8 өзінен бұрынғы нұсқалармен (Seed-1.5/1.6 сериясы) салыстырғанда мультимодальды бенчмарктерде жоғары токен тиімділігін көрсетеді, бірқатар ұзақ видео тапсырмаларында аз токен бюджетімен жоғары дәлдікке жетеді.
- Бапталатын ойлау режимдері: интерактивті өндірістік қолдану үшін инференс тереңдігі мен кідіріс/құн арасындағы айырбасты әртүрлі режимдермен (
no_think→think-high) баптаңыз. - Техникалық мүмкіндіктер
- Token efficiency: Seed1.8 Seed-1.5/1.6-мен салыстырғанда айқын токен тиімділігін көрсетеді, ұзақ видео тапсырмаларында төмен токен бюджетімен жоғары дәлдікке жетеді (мысалы, 32K видео токенде де бәсекеге қабілетті дәлдікке жетеді). Бұл ұзын енгізулер үшін инференс құнын төмендетуге мүмкіндік береді.
- Multimodal reasoning & perception: Модель бірнеше көпсуретті VQA және қозғалыс/қабылдау тапсырмаларында SOTA-ға жетеді және көптеген мультимодальды пайымдау бенчмарктерінде екінші орынға немесе SOTA-ға жақын көрсеткіштерге ие; атап айтқанда, ол визуал/видео өлшемдерінің дерлік барлығында алдындағы нұсқасынан озды.
- Agentic tool use & GUI grounding: ScreenSpot-Pro және GUI агенттік сияқты экран-негізді жұмыс бенчмарктерінде GUI grounding қолдауы құжатталған, күшті grounding ұпайларымен (мысалы, Seed-1.5-VL-ға қарағанда ScreenSpot-Pro-да жақсартулар).
- Parallel / stepped reasoning: Тест уақыты есептеуін арттыру (параллель ойлау) математика, кодтау және мультимодальды пайымдау бенчмарктерінде өлшенетін өсім береді.
Seed1.8-дің таңдамалы жалпыға қолжетімді бенчмарк ерекшеліктері
- VCRBench (visual commonsense reasoning): Seed1.8 Pass@1 бойынша кестеде 59.8 балл алды, Seed-1.5-VL-дан жоғары және үздік модельдермен бәсекелі.
- VideoHolmes (video reasoning): Seed1.8 — 65.5, Seed-1.5-VL-дан озып, кәсіби деңгейдегі бәсекелес модельдерге жақындайды.
- MMLB-NIAH (мультимодальды ұзын контекст, 128k): Seed1.8 128k контекстте 72.2 Pass@1 көрсетті, бірқатар заманауи про модельдерді басып озды.
- Motion & Perception suite: Бағаланған 6 тапсырманың 5-інде SOTA; мысал ретінде TVBench, TempCompass және TOMATO, мұнда Seed1.8 уақытша қабылдауда елеулі ілгерілеулер көрсетті.
- Agentic workflows: BrowseComp және басқа агенттік іздеу/код бенчмарктерінде Seed1.8 жиі бәсекелес про модельдермен тең немесе олардан жоғары.
Seed 1.8 vs Gemini 3 Pro / GPT-5.x
- Seed1.8 vs Seed-1.5-VL / Seed-1.6: Мультимодальды қабылдау, ұзақ видеолар үшін токен тиімділігі және агенттік орындау бойынша айқын жақсартулар.
- Seed1.8 vs Gemini 3 Pro / GPT-5.x: Көптеген мультимодальды бенчмарктерде Seed1.8 Gemini 3 Pro-мен тең немесе одан асып түседі (бірқатар VQA / қозғалыс тапсырмаларында SOTA; MMLB-NIAH 128k жүгірісінде жақсырақ). Алайда, картада Gemini отбасылық модельдерінің кейбір пәндік білім тапсырмаларында артықшылықтары сақталатыны да көрсетілген — сондықтан салыстырмалы тәртіп бенчмаркке тәуелді.
- Seed-Code варианты (Doubao-Seed-Code): бағдарламалау/агенттік код тапсырмаларына мамандандырылған (үлкен код базаларына арналған ұзын контекст; арнайы SWE бенчмарктері). Seed1.8 — жалпы агенттік мультимодальды модель, ал Seed-Code — бағдарламалауға бағытталған нұсқа.
CometAPI-дегі Seedream 4.5 API арқылы практикалық қолдану сценарийлері
- Мультимодальды зерттеу ассистенттері және құжат талдауы: ұзын құжаттар, слайд паллеттері және көпбетті есептер бойынша ақпаратты шығару, қысқаша мазмұндау және пайымдау.
- Ұзақ видеоны түсіну және мониторинг: қауіпсіздік/спорт трансляциясы аналитикасы, ұзақ кездесулерді қысқаша мазмұндау және ағындық талдау, мұнда модельдің ұзақ видео токен тиімділігі маңызды.
- Агенттік жұмыс ағындары / автоматтандыру: көпқадамды веб-іздеу + код орындау + дерек шығару сценарийлері (мысалы, ішкі бенчмарктерде көрсетілген автоматтандырылған бәсекелестік талдау, саяхат жоспарлау, зерттеу құбырлары).
- Әзірлеуші құралдары (егер Seed-Code қолданылса): үлкен код базасын талдау, IDE ассистенттері және тестілеу мен жөндеуге арналған агенттік код орындау (ұсынылатын маманданған нұсқа — Seed-Code).
- GUI автоматтандыру және RPA: экрандық grounding және GUI агент бенчмарктері модельдің құрылымды GUI тапсырмаларын алдыңғы Seed релиздеріне қарағанда жақсы орындай алатынын көрсетеді.
CometAPI арқылы doubao Seed 1.8 API-н қолдану жолы
Doubao seed1.8 қазір CometAPI арқылы хостталған инференс API ретінде коммерциялық түрде қолжетімді. API мультимодальды жүктемелерді (мәтін + суреттер + видео фрагменттері / уақыт белгілері) және жауап сапасына қарсы кідіріс пен есептеу арасындағы айырбасты басқаруға арналған бапталатын инференс режимдерін қолдайды.
Шақыру үлгілері: API стандартты чат/толықтыру стиліндегі сұрауларды, стримингтік жауаптарды және модель құрал шақыруларын (іздеу, код орындау, GUI әрекеттері) шығарып, құрал нәтижелерін келесі контекст ретінде қабылдайтын агенттік ағындарды қолдайды.
Стриминг және ұзын контекстті өңдеу: API стримингті қолдайды және ұзақ сессиялар үшін кіріктірілген контекстті басқару примитивтеріне ие (100K+ контексттерді / көпқадамды агент іздерін мүмкін ету үшін).
1-қадам: API кілтіне тіркелу
cometapi.com сайтына кіріңіз. Егер пайдаланушы болмасаңыз, алдымен тіркеліңіз. Өзіңіздің CometAPI консолі арқылы жүйеге кіріңіз. Интерфейстің қатынау деректеме API кілтін алыңыз. Жеке кабинеттегі API token бөлімінде “Add Token” батырмасын басып, sk-xxxxx форматындағы token кілтін алып, жіберіңіз.
2-қадам: doubao Seed 1.8 API-ге сұраулар жіберу
API сұрауын жіберу үшін “doubao-seed-1-8-251228 ” endpoint-ын таңдаңыз және сұрау денесін орнатыңыз. Сұрау әдісі мен сұрау денесі біздің вебсайттағы API құжатынан алынады. Ыңғайлылық үшін вебсайтта Apifox тесті де ұсынылады. <YOUR_API_KEY> орнын аккаунтыңыздағы нақты CometAPI кілтімен ауыстырыңыз. Chat API-лерімен үйлесімді.
Сұрауыңызды немесе өтінішіңізді content өрісіне енгізіңіз — модель осыған жауап қайтарады. Генерацияланған жауапты алу үшін API жауаптарын өңдеңіз.
3-қадам: Нәтижелерді алу және тексеру
API жауабын өңдеп, генерацияланған жауапты алыңыз. Өңдеуден кейін API тапсырма күйі мен шығыс деректерін қайтарады.