字节跳动

Seedream 5.0 Flash 是字节跳动 Seed 推出的图像生成与编辑模型。它是 Seedream 5.0 系列中快速、高性价比的层级，适合需要低延迟精确编辑的大规模生产和交互式编辑工作流。

Seed Audio 1.0 是字节跳动 Seed 的非流式音频生成模型。它可以根据自然语言文本提示生成语音和其他音频，该提示可以描述所需的音色、语调和音效，并可选择由 Seed 说话人 ID 或参考音频片段引导以进行声音克隆。每次请求的输出限制为 120 秒，并按生成的音频秒数计费。适用于有声书、配音、游戏及类似工作负载。

Seedream 5.0 Lite 是字节跳动 Seed 推出的图像生成模型。它适用于专业视觉创作，受益于联网检索、复杂提示理解、视觉参考和广泛的知识覆盖。

Seedream 5.0 Pro 是来自 ByteDance Seed 的图像生成与编辑模型。它适用于需要精确编辑控制、逼真场景和自然渲染的商业视觉制作工作流。

Seedance 2.0 Mini 是字节跳动推出的视频生成模型。它支持文生视频、带首尾帧控制的图生视频，以及基于图像、视频和音频输入的多模态参考生成视频。支持输出480p和720p分辨率、时长4-15秒的视频。token数量由（输出视频的高度 * 输出视频的宽度 * 时长 * 24）/ 1024 计算得出。

Seed 2.1 Turbo 是字节跳动 Seed 推出的多模态模型，适用于编码和长时程智能体工作流。它适合端到端软件交付、多步骤任务执行以及理解视觉和视频内容，并具备规划、调试和自我修正的能力。

Seed 2.0 Code 是字节跳动 Seed 推出的模型，专为智能体编码（agentic coding）优化。它适用于前端开发、多语言编程任务，以及诸如 Claude Code、Kilo 和 OpenCode 等工具中的编码智能体工作流。

Seedance 2.5 是字节跳动推出的视频生成模型。它适用于长篇叙事、基于多模态参考的生成、视频编辑和视频扩展。支持首帧和首尾帧控制，最多50个图像、视频和音频参考素材，可选生成音频，以及多语言视听生成。

Seedance 2.0 是 ByteDance 发布的视频生成模型。它支持文本到视频、带首尾帧控制的图像到视频，以及多模态参考生成视频。该模型在从参考素材中保持角色一致性、视觉风格和镜头运动方面尤为突出。Token 数量由（输出视频高度 * 输出视频宽度 * 时长 * 24）/ 1024 计算得出。

Seedance 2.0 Fast 是 ByteDance 推出的视频生成模型。它支持文生视频、带首尾帧控制的图生视频，以及多模态参考生视频。该模型优先考虑生成速度和更低成本，而非最高输出质量。token 数量由以下公式给出：(输出视频高度 * 输出视频宽度 * 时长 * 24) / 1024

字节跳动（ByteDance）的下一代音视频生成模型，采用 4.5B 参数的双分支扩散 Transformer 架构。Seedance 1.5 Pro 在单次统一流程中同时生成视频和音频，消除了顺序音频配音带来的时序问题。支持多语言口型同步（英语、普通话、日语、韩语、西班牙语等）、电影级镜头控制（平移、俯仰、变焦、环绕）、多角色对话以及跨镜头角色一致性。可生成 4–12 秒的片段，分辨率最高达 1080p。Token 数由（输出视频高度 × 输出视频宽度 × 时长 × 24）/ 1024 计算得出。

Seed-2.0-Lite 是一款多功能、高性价比的企业级主力模型，具备强大的多模态和智能体能力，同时延迟显著降低，是文本、视觉和工具等大多数生产工作负载的实用默认选择。它专为高频视觉理解和智能体工作流而设计，是以极低延迟进行大规模部署的理想选择。

Seed-2.0-mini 面向延迟敏感、高并发和成本敏感的场景，强调快速响应和灵活的推理部署。其性能与 ByteDance-Seed-1.6 相当，支持 256k 上下文，提供四种推理努力模式（minimal/low/medium/high），具备多模态理解能力，并针对成本和速度优先的轻量级任务进行了优化。

Seedream 4.5 是字节跳动开发的最新自研图像生成模型。与 Seedream 4.0 相比，它实现了全面改进，尤其是在编辑一致性方面，包括更好地保留主体细节、光照和色调。它还增强了人像精细化和小型文字渲染能力。模型的多图像合成能力得到显著加强，推理性能和视觉美学也持续进步，从而实现更准确且更具艺术表现力的图像生成。 定价为每张输出图像 0.04 美元，无论尺寸大小。

Seed 1.6 Flash 是 ByteDance Seed 推出的一款超快多模态深度思考模型，支持文本和视觉理解。其上下文窗口为 256k，可生成最多 16k token 的输出。

Seed 1.6 是由 ByteDance Seed 团队发布的通用模型。它融合了多模态能力和自适应深度思考，并具有 256K 的上下文窗口。

UI-TARS-1.5 是一个针对 GUI 环境（包括桌面界面、网页浏览器、移动系统和游戏）优化的多模态视觉语言代理。它由字节跳动构建，基于 UI-TARS 框架，并结合了基于强化学习的推理能力，能够在虚拟界面上实现稳健的动作规划与执行。 该模型在一系列交互与接地基准测试中取得了最先进的成绩，包括 OSworld、WebVoyager、AndroidWorld 和 ScreenSpot。同时，它在多种 Poki 游戏中实现了完美的任务完成率，并在 Minecraft 代理任务中优于之前的模型。UI-TARS-1.5 支持推理过程中的思维分解，且在不同变体上表现出强大的扩展性，其中 1.5 版本显著超越了早期 72B 和 7B 检查点的性能。