# Doubao-Seed-2.0-mini

> 低时延、低成本、四档位思考与多模态理解能力

- 模型 ID：`doubao-seed-2-0-mini`
- 厂商：字节跳动
- 主版本：260428
- 任务类型：VisualQuestionAnswering、Chat
- 标签：支持体验
- 更新时间：2026-07-31T08:20:26Z
- 模型详情页：https://ark.volcengine.com/region:cn-beijing/model/detail?Id=doubao-seed-2-0-mini

轻量均衡型全模态模型，支持文本、图片、语音、视频四模态理解与跨模态推理。精简推理链路以提升响应效率和运行稳定性，强化多语种及小语种处理能力，适用于通用轻量化多模态解析场景。

<div style="width:100%;text-align:left;font-size:40px;font-weight:300;margin-bottom:20px;color:#333;">
Doubao-Seed-2.0-mini <b>升级｜豆包家族首款轻量级全模态理解模型</b>
</div>

<p style="text-align:left;padding:0px 200px 0px 0px;font-size:18px;line-height:1.6;color:#808080;">
Doubao-Seed-2.0-mini-260428 新版本，能够同时输入并理解视频、图片、语音和文本四种模态，并进行跨模态的联合推理，能直接处理必须音画结合才能做出判断业务需求。
</p>

<div style="display:flex;flex-direction:column;align-items:flex-start;justify-content:center;margin:50px 0;">
  <div style="width:100%;text-align:left;font-weight:600;font-size:40px;color:#333;margin:20px 0px 10px 0px;">
    全模态理解
  </div>

  <div style="width:100%;text-align:left;font-weight:400;font-size:30px;color:#333;margin:0px 0px 20px 0px;">
    不止看懂图文，更能听懂世界
  </div>

  <div style="font-size:16px;text-align:left;color:#333;line-height:1.5;padding-right:200px;">
    作为首款全模态理解模型，Doubao-Seed-2.0-mini-260428 能够同时输入并理解视频、图片、语音和文本四种模态，并进行跨模态联合推理，直接处理必须“音画结合”才能做出判断的复杂业务需求。
  </div>

  <div style="font-size:16px;text-align:left;color:#666;line-height:1.5;padding-right:200px;margin-top:20px;">
    <b style="font-weight:600;color:#333;">音画协同，支持联合推理与时序检索：</b>能够联合分析视频中的画面与声音信息，精准辨析视频中的视听一致性，判断“看到的”与“听到的”是否一致；同时支持根据自然语言指令，在长视频中精准定位特定事件发生的时间点。
    <br><br>
    <b style="font-weight:600;color:#333;">视频深度解构，支持长时追踪与多步推理：</b>能够跨越多个时间段提取关键线索，持续追踪人物与事件发展；并基于视频画面进行多步逻辑分析，还原事件关系与行为脉络。
  </div>

  <div style="font-size:16px;text-align:left;color:#666;line-height:1.5;padding-right:200px;margin-top:30px;">
    <b style="font-weight:600;color:#333;">音频全解析，理解不止于转写：</b>不仅支持 19 个语种的精准语音转写和中英文与其他 14 个语种互译，还能深度捕捉语音中的情绪变化、环境背景声和音乐细节，输出更完整、更接近人类认知的语义信息。
  </div>
</div>

  <div style="font-size:16px;text-align:left;color:#666;line-height:1.5;padding-right:200px;">
    模型针对小语种及多语种混合输入场景进行了能力优化，能够更准确理解不同语言环境下的用户意图，并在多语种对话中保持更稳定、一致的目标语言输出。
  </div>
</div>

<div style="display:flex;flex-direction:column;align-items:flex-start;justify-content:center;margin:50px 0;">
  <div style="width:100%;text-align:left;font-weight:600;font-size:40px;color:#333;margin:20px 0px 10px 0px;">
    260428版本说明
  </div>

  <div style="font-size:16px;text-align:left;color:#666;line-height:1.5;padding-right:200px;margin-top:20px;">
  <b style="font-weight:600;color:#333;">支持隐式缓存：</b>Responses API 和 Chat Completions API 均支持隐式缓存，无需额外配置，系统会自动尝试缓存请求内容的公共前缀，适合 Agentic 等复杂上下文场景。缓存命中不保证一定发生，通常需要公共前缀累计至少 1024 个 tokens 才可能触发。对命中缓存的部分，按输入缓存命中刊例价计费。
  </div>

  <div style="font-size:16px;text-align:left;color:#666;line-height:1.5;padding-right:200px;margin-top:20px;">
    <b style="font-weight:600;color:#333;">reasoning_effort参数说明：</b>支持思考程度可调节（reasoning effort）：分为 <code>minimal</code>、<code>low</code>、<code>medium</code>、<code>high</code> 四种模式，其中 <code>minimal</code> 为不思考。
  </div>
</div>

```bash
curl https://ark.cn-beijing.volces.com/api/v3/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $ARK_API_KEY" \
  -d $'{
    "model": "doubao-seed-2-0-mini-260428",
    "messages": [
        {
            "role": "user",
            "content": [
                {
                    "type": "input_audio",
                    "input_audio": {
                        "url": "https://ark-project.tos-cn-beijing.volces.com/doc_audio/ark_demo_audio.mp3",
                        "format": "mp3"
                    }
                },
                {
                    "type": "text",
                    "text": "请识别音频中的内容"
                }
            ]
        }
    ]
}'
```

<div style="display:flex;flex-direction:column;align-items:flex-start;justify-content:center;margin:50px 0;">
  <div style="width:100%;text-align:left;font-weight:600;font-size:40px;color:#333;margin:20px 0px 10px 0px;">
    260215版本说明
  </div>

  <div style="font-size:16px;text-align:left;color:#333;line-height:1.5;padding-right:200px;">
    面向低时延、高并发与成本敏感场景，提供极致的模型推理速度。模型效果与Doubao-Seed-1.6相当。支持256k上下文、4档思考长度和多模态理解，适合成本和速度优先的轻量级任务。
  </div>

  <div style="font-size:16px;text-align:left;color:#666;line-height:1.5;padding-right:200px;margin-top:20px;">
    <b style="font-weight:600;color:#333;">高频简单场景的极致性价比：</b>面向高并发、短链路、标准化任务，强调“推理更快、部署更灵活”。非思考模式的综合表现达思考模式效果85%，但tokens消耗量只有1/10，在简单高频场景中实现快速响应与极致性价比。
    <br><br>
    <b style="font-weight:600;color:#333;">整体表现相比1.6-flash大幅度提升：</b>在内容识别和知识推理上相较上一代flash小尺寸模型大幅提升，超越Doubao-Seed-1.6-pro综合表现，代码和agent表现也有显著提高，满足企业常见图文输入的理解与结构化输出需求。
  </div>

  <div style="font-size:16px;text-align:left;color:#666;line-height:1.5;padding-right:200px;margin-top:30px;">
    <b style="font-weight:600;color:#333;">ToB任务能力更强更稳定：</b>图像审核、图像分类、视频巡检等ToB常见领域的识别能力显著提升，异常模式相比 Doubao-Seed-1.6-flash 下降40%，冗余问题有明显改善。
  </div>

  <div style="font-size:16px;text-align:left;color:#666;line-height:1.5;padding-right:200px;margin-top:30px;">
    <b style="font-weight:600;color:#333;">视觉质量与预算策略可控：</b>提供分档的图像质量与资源预算策略（<code>low</code>、<code>high</code>、<code>xhigh</code>），默认高质量模式提升可预期性，并支持更高质量档位以应对高密度文本、复杂图表与细节丰富场景。
  </div>
</div>

<div style="width:100%;text-align:left;font-size:24px;font-weight:600;color:#333;margin:100px 0px 20px 0px;">
服务协议
</div>

<div style="font-size:16px;text-align:left;color:#666;line-height:1.8;">
豆包模型服务协议：https://www.volcengine.com/docs/82379/1142195
<br>
火山方舟平台体验服务规则说明：https://www.volcengine.com/docs/82379/1108564
<br>
火山方舟平台安全信任服务协议：https://www.volcengine.com/docs/83458/1108217
</div>