字節Seed團隊發布Seedream 4.0，已具備通用多模態創意引擎的雛形

公司情報專家《財經涂鴉》獲悉，9月9日，字節跳動Seed公眾號正式宣布，發布新一代圖像創作模型Seedream 4.0，采用同一套構架實現文生圖與通用編輯能力，融合常識和推理能力，在多模態效果、速度和可用性上較前代模型均實現顯著突破。

通過多模態玩法拓展、風格化美感提升、邏輯理解力增強、自適應與4K生成、推理速度躍升等關鍵能力提升，Seedream 4.0于綜合評測中取得領先。目前，Seedream 4.0已正式上線，用戶可通過即夢、豆包、火山方舟等平臺直接體驗。

據字節跳動Seed團隊自我簡介，團隊成立于2023年，致力于尋找通用智能的新方法，追求智能上限。團隊研究方向涵蓋 LLM、GenMedia、AI for Science、機器人等，在中國、新加坡、美國等地設有實驗室和崗位。

該公眾號于2024年4月29日以“豆包大模型”名稱注冊，2025年4月26日更名為“字節跳動Seed”。

「更是一個完整的多模態創意引擎」

團隊強調，Seedream 4.0強化了理解能力且運用多維數據聯合訓練，令圖像生成不再局限于單點能力，而是已具備通用多模態創意引擎的雛形。同時，在專業化場景的創作中，Seedream 4.0對于高知識密度內容的生成處理已達初階水平。

整體來看，Seedream 4.0不僅是一個圖像生成模型，更是一個完整的多模態創意引擎。

據悉，其最新能力目前可支持八種基礎功能，包括精準編輯、靈活參考、視覺信號可控生成、上下文推理生成、多圖參考生成、多圖輸出、高級文字渲染與排版、自適應比例與4K生成等。

例如，在上下文推理生成功能中，Seedream 4.0不僅可以理解物理與時間約束、三維空間等復雜語境，還能在解謎、填字、續寫漫畫等任務中保持風格一致與細節精致，推理與創意生成能力突出；而其在圖像編輯方面的能力，對廣告設計、電商修圖、影視后期等場景尤為重要，大幅減少了人工二次修正的成本。

此外，Seedream 4.0在文生圖和單圖編輯方面亦有大幅提升。文生圖方面，其特別增強了密集文字渲染和復雜語義理解能力，較其他同類模型在畫面質感、光影自然度和色彩協調性上優勢明顯；單圖編輯方面，其在指令遵循、參考一致性、結構完整性和文字編輯方面實現了平衡，既能靈活完成風格轉換、視角變換等復雜任務，又能保持畫面結構穩定。

在多模態擴展方面，Seedream 4.0采用同一套構架實現文生圖與編輯能力的統一，并在聯合訓練中實現相互的能力增強。

例如，團隊將前續版本的 Seedream文生圖與SeedEdit 圖像編輯能力整合到同一套架構中，保持高質量的圖像生成與高一致性的特征參考，實現了生成和編輯統一；同時，團隊構建了大規?？蓴U展的多模態數據處理鏈路，能夠快速高效構建大規模、高質量的編輯數據對。

軟硬件串聯協同，實現高質量與高效生成

同時，在Seedream 4.0中，團隊還在推理環節進行了多層次優化，對算法和硬件進行深入改造。

通過對抗蒸餾、分布匹配、量化與稀疏化、推測解碼一整套加速方案，Seedream 4.0 在實際應用中既能生成高質量的4K圖像，也能實現最快秒級推理生成2K圖片，實現了高質量和高效生成的統一。

今年8月份，字節跳動Seed團隊發布并開源了全模態 PyTorch 原生訓練框架——VeOmni，采用以模型為中心的分布式訓練方案，可大幅降低工程開銷，提升訓練效率和擴展性，將數周的工程開發時間縮短至幾天。

7月份，Seed團隊還正式發布端到端同聲傳譯模型Seed LiveInterpret 2.0，據稱是“首個延遲&準確率接近人類水平的產品級中英語音同傳系統”。

該基于全雙工端到端語音生成理解框架，支持中英互譯，可實時處理多人語音輸入，實現極低的延遲的“邊聽邊說”。其在多人會議等復雜場景中英雙向翻譯準確率超70%，單人演講翻譯準確率超80%，接近真人專業同傳水平。

同時，翻譯延遲可低至2-3 秒，較傳統機器同傳系統降低超60%，實現了真正的“邊聽邊說”翻譯。

團隊彼時曾透露，Ola Friend耳機將于8月底接入Seed LiveInterpret 2.0，成為首個支持該模型的智能硬件設備。

作者：蘇打

編輯：tuya

出品：財經涂鴉（ID：caijingtuya）