豆包大模型1.8 视觉理解升级：单次视频理解帧数640→1280帧，图片 token 降至原来的44%

豆包大模型1.8 在视频感知、视频理解与空间理解上达到 SOTA 水平，视觉侧主要升级包括：视觉编码器整体升级使图片压缩比能力提升2.25倍、同样一张图的 token 数降低到原来的44%；默认图片理解精细度提高至 high，4K 左右高清图像不被压缩；单次视频理解帧数从640帧提升至1280帧，在1 FPS 低帧率下可理解20分钟视频；视频运动理解与复杂空间理解能力同步提升。交互侧支持流式视频理解，能持续追踪观众视角变化而非一次性「看一眼」，在移动、转身、调整拍摄距离时保持识别连续性，并在问题超出知识范围时调用工具检索公域资源与专业知识库，按角色设定把专业术语转为通俗表达、支持随时打断与连续追问；语音侧豆包语音模型可根据输入内容做情感演绎，具备呼吸感、自然停顿与起伏。