随着人工智能技术的不断进步，视觉模型正在从实验室走向实际应用，逐渐改变我们的工作和生活方式。本文将探讨字节跳动最新发布的豆包1.5视觉模型如何实现视觉定位与计数功能，并通过实际案例展示其在图像标注、库存盘点等场景中的应用潜力。尽管目前仍存在一些挑战，但这一技术的进步已经为自动化工作流程带来了新的可能性，预示着AI在更多实际场景中的广泛应用前景。

算一下，一碟 15，这是吃了多少？

答：一共14盘，合计210

AI 是可以拿来做盘点的

方法：AI 数的，容我细细道来

字节发了新模型

今天是字节的发布会，我去了现场。

豆包 1.5 深度思考模型上线，200B MoE，20B 激活参数，R1 级别的性能。

豆包 1.5 深度思考模型上线

但很多人没注意到是，伴随这个模型的，还有个有非常趣的小玩意儿：Doubao-1.5-vision-pro。

还有个视觉理解模型

仔细看了文档后，注意到有这样一段：

• 视觉定位能力大幅提升：支持对单目标、多目标、小目标等进行边界框或点提示进行定位，并支持基于定位进行计数，给出坐标位置，或描述所定位内容。支持 3D 定位，可基于图像进行深度预测、距离排序、深度比较等。可以广泛用在各类巡检等上商业化场景中。

这是一个小小的、但很有意义的进步：大模型可以给图片稳定打标记了

把图交给它，让它识别所有寿司盘的位置，输出坐标。

让模型获取坐标

有了格式化的坐标，只需要一个脚本就可以标注了：设定线条长度 200，粗度 10，颜色亮青，文字字号 70，配了黑色阴影，保证在各种光线下都能看清。

标注好的图片

视觉思考的落地

这事儿做完我突然意识到，

这不就是很多场景下都用得上的“图像计数”吗？

于是，我测了几个别的：

街头照片，他知道路牌在哪；

获取路标位置

标记好的路牌

或者拿它去标注米老鼠的帽子。

众所周知，初版米老鼠版权到了

你不用告诉它“那是个什么”，只要给出目标定义或提问方式，就能获得结果。

小任务，不小的价值

多模态这几年卷得飞起，但真正能落地的场景并不多：AI 写诗、拍题解题，这些看起来很炫，但离实际太远。

但我们也知道，每刻都有无数人在认真的应对工作：盘库存、数元件…劳心劳力。那么，这些事情，为什么不交给 AI 呢？

在几年前，还是 CV 当道的时候，你会说：开发个 AI，可比人力贵多了。

但现在不同了：对着你的任务，只需要一个明确的问题，就可以拿到一份标注好的信息

诚然，单以现在来看，问题也不少：

• 角度偏了、光线不均，容易漏标；
• 目标密集时，编号会挤在一起，看不清楚；
• 背景复杂时，有时会误判或者漏标。

这些问题都是可以优化的。

质变已经发生了，量变只是时间问题。

那么，希望硅基大人，日后要好好打工