Seed2.0 Model Card: Towards Intelligence Frontier for Real-World Complexity

深度解读

方法与架构

Seed2.0 由 Pro、Lite、Mini 三档模型组成，报告将其定位为覆盖文本、图像、视频、搜索、工具调用和 GUI 操作的模型系列 ^[1]（原文第 1 节、第 3.2–3.4 节）。报告没有公开参数规模、网络层数、注意力设计、上下文上限或推理阶段的具体架构 ^[1]（原文第 1–6 节）。编者判断：现有信息不足以判断三档模型如何实现能力与延迟取舍。

报告的核心方法是以真实任务反推评测体系。基础层分为语言、视觉和 Agent 能力；高级层再按 Scientific Discovery、Vibe Coding、Context Learning、Real-World Tasks 四个维度组织，并引入 AInstein Bench、NL2Repo-Bench、XpertBench、WorldTravel 等面向长流程工作的评测 ^[1]（原文第 3.1–3.4 节）。视觉部分覆盖 50 个公开图像 Benchmark 和 24 个公开视频 Benchmark，后者分为知识、推理、运动与感知、长视频、多视频和流式理解六类 ^[1]（原文第 3.2 节）。

数据与训练

报告没有披露预训练语料规模、模态配比、数据截止时间、训练 token 数、优化器、算力或后训练算法 ^[1]（原文第 1–6 节）。它只说明研发侧重长尾专业知识、复杂指令执行和真实工作流，并以产品使用分布解释选题：企业场景主要要求长上下文、异构知识整合、多步指令和结构化输出 ^[1]（原文第 2.1 节）。

Agent 评测并非原样运行全部官方脚本。报告称其重构执行环境，并排除参考解失败、结果不确定、异常占用磁盘、依赖网络或验证流程过重的样例；Terminal-Bench 2.0 还因网络与安全限制排除 3 个任务 ^[1]（原文第 3.3 节）。此外，竞争模型的最终分数取官方报告值与团队实测值中的较大者 ^[1]（原文第 3.3 节）。编者判断：这些处理减少了低估对手的风险，但部分结果不能直接视为完全遵循原始 Benchmark 的独立复现。

评测结果

语言评测中，Seed2.0 Pro 在 AIME 2025、LiveCodeBench v6、GPQA Diamond 上的官方自报分数分别为 98.3、87.8、88.9；在 MRCR v2 8-needle、DeR2 Bench、FactScore 上分别为 54.0、58.2、71.2 ^[1]（原文表 3）。编者判断：同一张表同时呈现强项与短板，比只摘取最高分更能说明模型的能力分布。

视觉表 8 中，Seed2.0 Pro 在 MathVision、MMMU-Pro、OmniDocBench 1.5 上分别为 88.8、78.2、0.099，其中 OmniDocBench 指标越低越好 ^[1]（原文表 8）。视频表 9 中，Seed2.0 Pro 在 VideoReasonBench 为 77.8、LongVideoBench 为 80.3、CrossVid 为 60.3；报告同时指出 TOMATO 与 TVBench 仍与人类表现有明显差距 ^[1]（原文第 4.3 节、表 9）。

Agent 结果更能暴露边界：Seed2.0 Pro 在 SWE Bench Verified 为 76.5、SWE-Evo 为 8.5、BrowseComp-zh 为 82.4、HLE-Verified 为 73.6 ^[1]（原文表 11）。高级任务中，NL2Repo-Bench 为 27.9、DeR2 Bench 为 58.2；报告据此把长流程上下文整合与仓库级代码生成列为仍需改进的方向 ^[1]（原文第 4.5 节、表 13）。

局限与值得关注的问题

报告对科研案例逐案分析了负面结果：CBD 分子动力学方案会幻觉化具体 PDB 与文献细节；聚合物案例遗漏关键的电荷转移复合物机制；Golgi 实验方案选择 Giantin 作为标签可能增加非特异结合并扰动细胞器结构 ^[1]（原文第 5.4 节、图 16–18）。编者判断：这些案例说明高分并不等于专业方案可直接执行。

编者判断：本文最值得收录的是宽覆盖的评测口径和公开失败模式，而不是训练方法，因为后者几乎没有披露。读者应把分数理解为模型方在特定脚本、过滤和 Agent 框架下的自报结果；若要研究 Seed2.0 的可复现训练或架构，现有模型卡证据不足。