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
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：
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
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。
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：
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
本文由人人都是产品经理作者【赛博禅心】，微信公众号：【赛博禅心】，原创/授权 发布于人人都是产品经理，未经许可，禁止转载。
题图来自Unsplash，基于 CC0 协议。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。