多模态大模型的价格曲线，最近又被拉低了一截。日前火山引擎方面宣布，豆包视觉理解模型（Doubao-vision）的推理价格进一步下调，图像理解按 token 计费后，单张图片的处理成本被压到厘级区间。这一动作被业界视为继去年文本模型大规模降价之后，多模态赛道价格战的正式开场。
从技术参数看，豆包视觉理解模型支持单图最高数千像素分辨率输入，可完成 OCR 文字识别、图表解析、物体细粒度识别、文档版面理解等任务，并在中文场景下的长文档截图理解上做了针对性优化。字节跳动方面披露，该模型在多项中文图文评测基准上接近或达到国际主流多模态模型水平，而定价则明显低于同类 API。对开发者来说，这意味着过去因为成本而犹豫的批量图像审核、票据录入、作业批改等场景，开始具备规模化落地的可能。
更值得关注的是调用量的变化。火山引擎方面透露，豆包大模型的日均 token 调用量在过去一年呈数量级增长，其中视觉理解相关请求的增速高于纯文本。电商平台的商品图合规审核、教育机构的拍照搜题与主观题判分、车企的座舱内摄像头场景理解，是目前最集中的三类落地需求。以电商审核为例，平台每天需要处理数百万张商家上传图片，过去依赖小模型加人工复核，如今用多模态大模型一次性完成违禁词识别、商标侵权初筛与画质质检，单条链路的成本反而更低。
价格下探的背后是推理基础设施的成熟。火山引擎方面称，通过模型结构稀疏化、视觉编码器与语言主干的分段推理调度，以及自研推理芯片与 GPU 混合部署，单位图像 token 的算力消耗被显著压缩。这种“模型降本+基础设施降本”的双轮驱动，正是国内多模态价格战能够持续的现实基础。
竞争格局也在同步变化。阿里的通义千问 Qwen-VL 系列近日持续迭代，在文档理解与多语言 OCR 上保持优势，并通过阿里云百炼平台向企业开放；智谱 GLM-4V 系列则在智能体场景中强调图像与工具调用的协同，被用于 GUI 自动化操作与工业质检；月之暗面的 Kimi 在长文档场景中引入视觉能力，支持用户上传扫描件、合同照片后进行跨页问答。各家路线不同，但共同点是都在把“能看图”变成“便宜地看图”。
不过，多模态落地仍有三道坎。第一是幻觉问题，模型对图表数值、票据金额的误读在金融、医疗等高敏场景中依然不可接受，需要与规则引擎、专家系统做混合校验；第二是延迟，单图推理在高峰期仍需秒级响应，对实时视频流理解构成瓶颈；第三是评测体系，中文场景下的多模态评测基准尚不统一，厂商自报数据难以横向比较。业内人士认为，下一阶段的竞争焦点将从“参数与榜单”转向“单位成本下的可用性”，谁能把错误率压到业务可接受阈值以内，谁才能真正吃下这波降价红利。
从行业视角看，多模态模型正在重复文本模型走过的路径：先由头部厂商用价格换调用量，再靠调用量反哺模型迭代与基础设施优化。豆包此次把视觉理解单价打到厘级，短期看是抢开发者，长期看是在为智能体时代铺路——当 Agent 需要频繁读取屏幕、识别环境、解析文档时，视觉推理成本将直接决定应用能否跑通商业闭环。这场价格战，或许才刚刚开始。
标签：豆包,多模态,火山引擎,视觉理解,价格战