5月13日，火山引擎FORCE LINK AI創新巡展上，Seed團隊推出的視覺-語言多模態大模型Seed1.5-VL，以僅20B激活參數的架構，橫掃60個評測基準中的38項SOTA，在視頻理解、GUI智能體等關鍵指標上直接叫板谷歌Gemini 2.5 Pro，而推理成本僅為對方的1/3。

Seed1.5-VL的顛覆性首先體現在全能戰士般的多模態理解力。上傳一張畫作，它能全面分析畫面元素，自動識別出作品的作者、藝術風格、畫面元素、思想內涵等。

面對包含多個人物的圖片，Seed1.5-VL 能精準識別觀眾、棒球、座椅、圍欄等畫面元素，并給出正確坐標；

而在視頻理解領域，Seed1.5-VL則展現出偵探般的敏銳度。
輸入一段監控視頻詢問「小貓今天干了哪些壞事」，它能快速標記出抓撓沙發、打翻水杯等現場，并生成帶時間戳的“案情報告”。

而Seed1.5-VL的殺手锏多模態智能體功能，可以讓AI能像人類一樣操作PC界面：在測試中成功完成點擊點贊按鈕、填寫表單等GUI交互任務，可以為自動化測試、智能客服等場景打開新的可能。

Seed1.5-VL采用三件套設計：
532M參數的SeedViT視覺編碼器處理任意比例圖像，MLP適配器對齊多模態表征；
20B參數的MoE架構語言模型專注復雜推理。這種模塊化組合既保證性能，又將推理成本壓至每千token輸入0.003元，輸出僅0.009元，比同類模型降低67%；
訓練策略上獨創漸進式解鎖：先凍結視覺編碼器訓練MLP對齊特征，再解凍所有參數進行大規模預訓練，最后引入強化學習優化長鏈推理。

這種精細調優，讓模型在3T token的多模態數據中提煉出了極致效率。

據透露，該模型已開始在抖音內容審核、飛書智能助手等場景試點，預計半年內接入全線產品。