最近這兩天，字節(jié)跳動的豆包視覺理解模型和月之暗面的Kimi K1視覺思考模型相繼發(fā)布，引發(fā)了業(yè)界的廣泛關(guān)注。
豆包以其驚人的性價比，而Kimi K1則以其強大的端到端圖像理解和思維鏈技術(shù)，成為了AI領(lǐng)域的新焦點。
01
豆包：視覺理解的性價比之王
價格革命：
豆包視覺理解模型的發(fā)布，標(biāo)志著AI視覺理解技術(shù)正式邁入了“厘時代”。每千個tokens的輸入價格僅為3厘，這意味著處理約284張720P分辨率的圖片僅需1元，比行業(yè)價格便宜了85%。
能力展示：
豆包不僅僅是一款圖像處理工具，它還能執(zhí)行復(fù)雜的邏輯運算，如分析圖表、處理代碼以及解答學(xué)科難題等。它的細膩視覺描述與創(chuàng)作能力，使其在廣告創(chuàng)作到教育輔助工具等多個領(lǐng)域都有廣泛應(yīng)用。
評測體驗：
在實際測試中，豆包在一些世界常識中也展現(xiàn)了優(yōu)勢，例如在識別山東濟南靈巖寺塔林的問題上，豆包守住了自己的榮耀，回答了上來，從而險勝GPT4o一籌。
GPT的回答：
圖片來自互聯(lián)網(wǎng)
豆包的回答：
圖片來自互聯(lián)網(wǎng)
在一些視覺誤導(dǎo)的問題上，豆包也能準(zhǔn)確回答，比如識別哪根滾珠絲桿最長的問題，豆包準(zhǔn)確回答了左邊第二根最長。
下面分別是GPT和豆包的回答
圖片來自互聯(lián)網(wǎng)
圖片來自互聯(lián)網(wǎng)
02
Kimi K1：端到端圖像理解的先行者
技術(shù)突破：
Kimi K1基于強化學(xué)習(xí)技術(shù)打造，原生支持端到端圖像理解和思維鏈技術(shù)，并將能力擴展到數(shù)學(xué)之外的更多基礎(chǔ)科學(xué)領(lǐng)域。
性能表現(xiàn)：
在數(shù)學(xué)、物理、化學(xué)等基礎(chǔ)科學(xué)學(xué)科的基準(zhǔn)能力測試中，初代k1模型的表現(xiàn)超過了全球標(biāo)桿模型OpenAI o1、GPT-4o以及Claude 3.5 Sonnet。
用戶體驗：
Kimi K1能夠直接處理用戶輸入的圖像信息并進行思考得出答案，不需要借助外部的OCR或額外視覺模型進行信息處理。用戶不僅能看到答題結(jié)果，還能看到模型思索答案的全過程。
評測體驗：
K1的基礎(chǔ)模型重點優(yōu)化了字符識別能力，在OCRBench上得到903分的當(dāng)前最好（state-of-the-art）結(jié)果，在MathVista-testmini、MMMU-val 和DocVQA基準(zhǔn)測試集上分?jǐn)?shù)分別為69.1、66.7和96.9，處于全球領(lǐng)先水平。
