Doubao 2.1 Pro cập nhật bản 0915: Nâng cấp khả năng xây dựng Agent và lập trình đa phương thức

Theo tin từ IT ngày 16 tháng 9, Volcano Engine hôm nay thông báo đã cập nhật Doubao Large Model 2.1 Pro lên phiên bản 0915, đồng thời chính thức đưa API lên nền tảng Volcano Ark.

IT được biết từ thông báo chính thức, ứng dụng Doubao đã hoàn tất nâng cấp. Người dùng chỉ cần tải xuống hoặc cập nhật lên phiên bản mới nhất, sau đó chọn mô hình "Doubao 2.1 Pro (0915 New Version)" để trải nghiệm.

Bản nâng cấp lần này tập trung vào các nhu cầu cấp độ sản xuất của doanh nghiệp, bao gồm việc thực thi tác vụ Agent, lập trình đa phương thức (Multimodal Coding), khả năng hiểu đa phương thức và tối ưu hóa hiệu suất Token.

Ngoài Doubao, TRAE cũng đã được đồng bộ hóa với phiên bản 0915. Doubao-Seed-Evolving ra mắt hồi tháng 6 năm nay cũng đã cập nhật lên cùng phiên bản này, doanh nghiệp không cần phải thay đổi điểm truy cập API.

Về khả năng thực thi tác vụ Agent, phía chính thức cho biết mô hình đã được tăng cường khả năng truy xuất nguồn gốc bằng chứng, tìm kiếm nguồn tin uy tín, đánh giá tính thời điểm và xác thực dữ liệu. Hiện tượng "ảo giác" (hallucination) giảm đáng kể, giúp mô hình bám sát thực tế khi gọi công cụ. Trong các tác vụ báo cáo dài như nghiên cứu đầu tư tài chính hay tự động hóa văn phòng, các kết luận đều có căn cứ rõ ràng và quy trình thực hiện ổn định hơn.

Lấy ví dụ trong lĩnh vực nghiên cứu đầu tư tài chính, phía chính thức cho biết mô hình sở hữu khung phân tích cấp chuyên gia, có khả năng tự phân tách nhu cầu nghiên cứu, truy vấn các nguồn dữ liệu chất lượng cao và xây dựng mô hình phân tích, từ đó tạo ra các bản thảo mô hình hóa đạt chuẩn chuyên gia.

Khả năng lập trình đa phương thức (Multimodal Coding) được tăng cường, giúp mô hình hiểu rõ hơn về các kho lưu trữ mã nguồn phức tạp. Khi đối mặt với các vấn đề xuyên tệp hoặc dài hạn, mô hình có thể làm rõ cấu trúc dự án và mối quan hệ giữa các mô-đun, xác định nguyên nhân gốc rễ và sửa lỗi, bao quát toàn bộ quy trình từ hiểu yêu cầu đến xác thực vận hành.

Nhờ khả năng VLM (Vision Language Model), mô hình có thể đọc trực tiếp các bản thiết kế, bản vẽ và video ghi lại thao tác, chuyển đổi thông tin hình ảnh thành mã nguồn frontend và logic trò chơi, giúp cải thiện hiệu quả hiển thị trong phát triển Web 3D và các kịch bản trò chơi.

Về khả năng hiểu đa phương thức, năng lực suy luận video đã được tăng cường, cho phép định vị bằng chứng trong video, tổng hợp thông tin giữa các khung hình để đưa ra câu trả lời, cũng như đối chiếu SOP (quy trình vận hành tiêu chuẩn) để nhận diện thao tác và giải thích nguyên lý. Khả năng hiểu các nội dung chuyên môn như giảng dạy vật lý, kỹ thuật, thao tác thí nghiệm, y tế được cải thiện, mang lại lợi ích cho các kịch bản như gắn nhãn video, kiểm định chất lượng nội dung, cắt ghép video dài và tóm tắt định vị.

Khả năng hiểu hình ảnh được tăng cường theo hướng vật thể 3D và văn bản dày đặc: có thể nhận diện các chi tiết CAD, các yếu tố 3D trong engine trò chơi và không gian AR; độ chính xác trong việc xử lý các chú thích kích thước và ký hiệu dung sai trên bản vẽ kỹ thuật, chú thích PDF, tiêu đề bảng biểu, cũng như trích xuất bảng trong báo cáo tài chính và trích dẫn chú thích xuyên trang đều được nâng cao.

Hiệu suất Token được tối ưu hóa đồng bộ, giúp giảm số vòng suy luận và số lần gọi công cụ. Mức tiêu thụ Token cho suy luận hình ảnh và video giảm hơn 30% so với thế hệ trước, giúp giảm chi phí cho các kịch bản tần suất cao như giải bài tập bằng hình ảnh, kiểm định chất lượng hình ảnh và kiểm duyệt video.

Thông báo quảng cáo: Các liên kết ngoài trong bài viết (bao gồm nhưng không giới hạn ở siêu liên kết, mã QR, mật khẩu, v.v.) được sử dụng để truyền tải thêm thông tin, giúp tiết kiệm thời gian chọn lọc, kết quả chỉ mang tính chất tham khảo. Các bài viết của IT có chứa liên kết ngoài đều bao gồm thông báo này.