金磊发自凹非寺
量子位 | 公众号 QbitAI
几乎让大模型全军覆没的新难题——看时钟，被国产 AI 给拿下了。
要知道，之前单单是一张时钟的图表，几乎所有大模型都答不对时间。
但现在，国产 AI 却可以直接开视频，实时报准时间！
视频地址：
https://mp.weixin.qq.com/s/z9REbmL2COn_No1ZR_sa3g
可以看到，这个国产 AI 先是准确地报出了“4 点 14 分”，而在等了一分钟后，它也是可以再次准确报时“4 点 15 分”。
那么这到底是何许 AI 也？
不卖关子，它就是豆包发布的新功能——视频通话。
主打一个让 AI 边看边聊天。
而且啊，它还是接入了联网搜索的功能，所以回答的准确性和时效性这块也是拿捏到位了。
例如我们对着微博热搜的话题提个问题：
- 这个热搜第一的是什么新闻呀？
视频地址：
https://mp.weixin.qq.com/s/z9REbmL2COn_No1ZR_sa3g
可以看到，联网的豆包在视频通话的过程中，就可以直接把当下的新闻热点给你总结出来。
不得不说，这种跟 AI 的互动，不论是趣味性还是可靠性，都大大地增强了。
除此之外，这次的新功能还增加了“字幕”的选项，点击之后就可以看到之前对话的具体内容啦~
既然这个功能如此有趣，那我们必须安排一波深度实测。
来，走起~
跟豆包一块看《甄嬛传》
我们先来简单介绍一下视频通话的操作方式。
打开豆包 App 之后，依次点击“对话”→“+号”→“打电话”→“开启视频通话”即可：
我们的第一个实测，就是看看豆包能不能成为一个看剧搭子，能跟你边看视频边聊剧情。
有请《甄嬛传》：
视频地址：
https://mp.weixin.qq.com/s/z9REbmL2COn_No1ZR_sa3g
豆包在看视频的瞬间，立马辨别出这是《甄嬛传》，并且分析出了这个名场面：
- 祺贵人就是想借着皇后的手扳倒甄嬛呢。
不仅如此，它还是个有态度的 AI，超级不看好祺贵人这个角色：
- 她太心急又没脑子，最后肯定不会得逞的……根本不是甄嬛的对手。
整体来看，豆包称得上是个合格的看剧搭子了。
接下来，我们再来看看豆包视频通话在生活场景中能不能帮上忙。
例如我们给它看几个食材，然后提问：
- 拿这些食材我能做什么菜啊？
视频地址：
https://mp.weixin.qq.com/s/z9REbmL2COn_No1ZR_sa3g
豆包不仅秒识别出食材，还把炒菜的步骤、调味品等特别详细地讲解了一番。
以后要是遇到不会做的菜，是可以用视频通话的方式问问豆包了。
类似的，我们让它再看看一道物理题：
- 帮我看下第 4 题怎么做？
视频地址：
https://mp.weixin.qq.com/s/z9REbmL2COn_No1ZR_sa3g
豆包准确地识别出题目，然后立马开始作答，把整个题目的求解过程详尽地说了出来，最后给出了正确答案：A。
不仅是物理题，现在直接让豆包看论文、代码，它也能帮你答疑解惑哦~
视频地址：
https://mp.weixin.qq.com/s/z9REbmL2COn_No1ZR_sa3g
一番实测下来，豆包视频通话功能，整体直观的感受就是：有用，好用。
不只是看，还有思考
豆包视频通话功能背后，其实是豆包·视觉理解模型在发力。
豆包・视觉理解模型拥有非常强的内容识别能力，它就像一个敏锐的 “眼睛”，能够精准识别图像中的各种要素。
从基本的物体类别、形状、纹理，到物体之间的关系、空间布局以及场景的整体含义，甚至背后的文化知识，都能被其敏锐捕捉。
例如，它不仅可以轻松识别现实中的常见物品，还能根据光影、轮廓、位置等特征，准确识别出小动物的影子并判断出这是一只猫。
再如，当用户在清晨跑步时，看到光线从树林间洒出来，随手拍张照片询问豆包大模型，它能迅速识别出这是丁达尔效应，并详细科普其原理。
这种强大的内容识别能力，让 AI 能够更好地理解现实世界的视觉信息，为后续的理解和推理奠定了坚实基础。
理解推理能力是豆包・视觉理解模型的又一核心优势。
它不仅能识别图文信息，还能进行复杂的逻辑计算，在多个领域展现出了强大的解决问题的能力。
在教育场景中，拍下一道需要进行微积分运算的数学题，模型能很好地理解图片问题，并根据提示词进行对应的推理计算，给出清晰的答题思路，帮助学生更好地理解和解决数学难题。
除了识别与理解推理能力，豆包・视觉理解模型还拥有非常细腻的视觉描述和创作能力。
这也就不难理解为什么豆包视频通话能做到又快又准又好。
总而言之，AI 和人类交互的方式变得越来越有趣了。
参考链接：
