這項由字節跳動Seed團隊開發的研究成果發表於2026年6月30日，論文編號為arXiv:2607.00248v1，分類在電腦人工智慧領域（cs.AI）。有興趣深入了解的讀者可以通過該編號在arXiv平台查詢完整論文。
每天，數億人打開手機，向AI助手提問。他們問的不只是「今天天氣怎麼樣」，而是「幫我修一下這段報錯的代碼」「這張財務報表有什麼問題」「我想做一個網站，從零開始怎麼搞」。這些問題背後藏著一個現實：當下最先進的AI，在實驗室里能解開奧林匹克數學題，卻可能在真實工作場景里頻頻翻車。
字節跳動Seed團隊正是在這個背景下，發布了Seed2.0系列模型（包括Pro、Lite、Mini三個規格）。這不是一個單純刷榜的模型，而是一次對「如何讓AI真正能用、好用」的系統性探索。團隊服務著數億日活用戶，深知用戶的痛點究竟在哪裡——不是模型在封閉題庫上的分數，而是它能不能幫你完成一整個真實的工作任務。
---
一、為什麼要做Seed2.0：從「答題機器」到「工作夥伴」
把AI的發展比作一個學生的成長曆程，早期AI就像只會背課本的書呆子——它能在考試里答對很多選擇題，但一旦碰到真實的項目任務，就會手足無措。Seed2.0的目標，是讓這個「學生」真正走出考場，進入社會，能幹活、能犯錯後自我糾正、能在複雜環境裡找到路。
Seed團隊在產品部署中觀察到，真實用戶的需求高度集中在幾個方向。首先，大量用戶會上傳圖片——截圖、圖表、掃描文件——讓AI幫忙分析，因此視覺理解能力至關重要。其次，推理速度直接影響用戶體驗，沒人願意等待一分鐘才看到回復，於是模型被設計成三種規格，讓開發者按需選擇速度與性能的平衡點。再者，用戶經常給出複雜的多步驟指令，這些任務不需要AI「懂得很多」，而是需要它「嚴格按要求執行」，不能打折扣。最後，寫代碼是使用量最高的場景之一。
與此同時，團隊的視野不只停留在「完成用戶當前提問」，而是瞄準了更宏大的目標：讓AI成為能夠推進真實科研、完成複雜軟體工程項目的「智能體」（Agent）。從解奧數題，到解埃爾多斯懸賞數學問題；從修一個bug，到完整構建一個軟體倉庫——這就是Seed2.0希望突破的邊界。
---
二、用戶到底在用AI做什麼：一份來自真實世界的畫像
在深入講解模型本身之前，團隊公布了一份非常有價值的數據——他們在中國大陸MaaS（模型即服務）平台上觀察到的真實使用分布，數據來自簽署了數據授權協議的合作方。
從行業角度看，網際網路行業占據了絕大多數流量，遠超其他所有行業的總和。消費電子、金融、新零售、商業服務緊隨其後。而製造業、汽車、通信等傳統行業的占比均不足1%——這一方面說明AI目前主要在數位化程度高的行業發揮價值，另一方面也暗示傳統行業存在巨大的待開發空間。
從使用場景看，非結構化資訊處理占據最大份額——企業用AI分析用戶反饋、整合多源文檔、生成決策報告。教育、內容創作、搜索推薦緊隨其後。相對小眾的場景包括社交陪伴、專業諮詢、客服銷售、質檢、編碼和結構化資訊處理。
在編程這個細分場景里，團隊進行了更細緻的分析，結論出乎意料又合情合理：前端開發占據最高比例，遠超後端和全棧開發。前端工作天然具備快速反饋的特性——改一行CSS，刷新頁面就能看到變化——這種即時反饋很適合與AI協作。在框架偏好上，Vue.js的使用量超過React三倍，反映了中國開發者生態的獨特性。在任務類型上，修bug排在第一位，其次是重構和文檔工作。這說明開發者目前主要把AI當作「救火隊員」而非「從零建造者」。
還有一個關鍵角度是價格。Seed2.0 Pro的輸入價格約為每百萬token 0.47美元，輸出約2.37美元。對比市場上同類頂級模型，Claude Opus 4.5的輸入價格是5美元、輸出25美元，GPT-5.2 High的輸出價格高達14美元。Seed2.0 Pro的定價大約是這些模型的十分之一。對於需要大量調用API的企業來說，這個價差意味著原本經濟上不可行的應用場景變得可行。
---
三、怎麼評價一個AI：團隊建立的「四維考場」
給AI評分是一門學問。用考研題測試AI，結果可能嚴重誤導產品決策——因為用戶實際遇到的問題和考研題相差甚遠。Seed團隊為此建立了一套覆蓋四個維度的評測框架，每個維度都對應真實世界的某類核心需求。
第一個維度叫「科學發現」，測的是AI能不能在真正的研究級任務上幫上忙——比如實現科學計算代碼、對生物醫學文獻進行推理。
第二個維度叫「Vibe Coding」，測的是AI能不能從一句話需求出發，完整構建一個軟體倉庫——包括跨文件的一致性、依賴管理、整體架構設計。這不是讓AI寫一段函數，而是讓它承擔整個工程師的角色。
第三個維度叫「上下文學習」，測的是AI能不能在給定大量文檔、手冊、噪聲資訊的情況下，準確提取有用內容並完成推理——這對企業場景至關重要，因為企業通常有大量內部知識文檔。
第四個維度叫「真實世界任務」，測的是端到端的任務完成能力，比如規劃一趟旅行（包含複雜的時間、地點、價格約束）、進行客戶支持問答等。
這套框架既是評測體系，也是開發指南——團隊在哪裡發現了短板，就在那裡投入資源改進。
---
四、語言能力大考：數學、代碼、推理、指令執行全面解析
先說數學，這是AI能力最顯著的「秀場」。Seed2.0 Pro在2025年國際數學奧林匹克（IMO）上拿到了35分（總分42分），達到金牌水平。在2025年中國數學奧林匹克（CMO）上同樣拿到了金牌——114分（總分126分）。在AIME 2025上，Seed2.0 Pro以98.3的分數與GPT-5.2 High（99分）幾乎並駕齊驅，大幅領先Claude和Gemini。在更難的IMO答題基準上，Seed2.0 Pro以89.3分排名第一。
更令人矚目的是，團隊展示了Seed2.0 Pro解決了兩道埃爾多斯懸賞問題——這是數學家保羅·埃爾多斯留下的公開問題集，其中許多問題已懸而未決數十年。其中埃爾多斯1051號問題（關於一類無窮級數是否為無理數的證明）還通過Seed-Prover 1.5進行了形式化驗證，確保證明過程的嚴格性。
在代碼方面，Seed2.0 Pro在Codeforces平台上達到了3020的Elo評分，這個數字大致對應人類頂級競技編程選手的水平。在LiveCodeBench（一個持續更新、難以通過背題作弊的代碼基準）上，Seed2.0 Pro以87.8分的成績與GPT-5.2 High（87.7）並列，領先於Claude系列。在涵蓋五場2025年ICPC官方賽事（包括世界決賽和多個區域賽）的測試中，Seed2.0 Pro以73.02%的Pass@8分數顯著超越GPT-5.2（65.08%）和Gemini-3-Pro（63.49%），在全部五場比賽中均達到金牌水平。
在科學推理方面，Seed2.0 Pro在物理基準PhyBench上以74分與GPT-5.2 High持平，在FrontierSci-research（前沿科研級問題）上同樣以25%的成績與GPT-5.2 High並列第一。在通用推理基準ProcBench上，Seed2.0 Pro以96.6分超越了所有參與比較的模型。
在複雜指令執行方面，團隊設計了一個針對中文生產場景的內部基準，包含912個測試案例，涵蓋格式要求、條件規則、內容指定、措辭風格、語氣控制、表情符號使用、少樣本學習、長度限制等17個細分維度。Seed2.0 Pro的綜合得分為75.26%，比上一代Seed 1.8提升了2.37個百分點。提升最顯著的是語氣控制（+15.16%）、措辭遵循（+10.31%）和少樣本學習（+9.53%）。這意味著模型現在能更準確地模擬「陰陽怪氣」、「傲嬌」等微妙的中文語氣，也能更可靠地從示例中推斷格式規範。
---
五、視覺理解：從數學圖題到長文檔，樣樣在行
在圖像理解領域，Seed2.0 Pro接受了覆蓋9大類別、共50個公開基準的全面測試。
在數學圖題方面，Seed2.0 Pro在MathVision上以88.8分奪冠，在MathKangaroo（匯集2025年全年雙月競賽題）上以90.5分居首，在MathCanvas（強調視覺內在推理鏈）上以61.9分領跑。在MathVista上則以89.8分與Gemini-3-Pro High並列第一。
在視覺謎題與邏輯推理方面，Seed2.0 Pro在VisuLogic（視覺邏輯推理）上以47.4分大幅領先所有競爭對手，在ZeroBench（一個被設計成「對當代模型幾乎不可能完成」的基準）的子題部分以47.6分位居榜首。在ARC-AGI1圖像版本上以88.8分僅次於GPT-5.2 High（93.1分），但比Seed 1.8（31.4分）有了質的飛躍。
在空間理解方面，Seed2.0 Pro在DA-2K（深度感知）上以92.3分、在RefSpatialBench（參照空間關係理解）上以72.6分、在BLINK（多模態感知）上以79.5分均創下新的最高紀錄。
在文檔與圖表理解方面，Seed2.0 Pro在ChartQAPro（圖表問答）上以71.2分領先，在OmniDocBench 1.5（文檔解析，分數越低越好）上以0.099的Normalized Edit Distance排名第一，在MMLongBench-Doc（長文檔理解）上以61.4分超越所有對比模型。
在影片理解方面，Seed2.0 Pro在VideoReasonBench上以77.8分超越了人類基準（73.8分），在VideoMME（包含大量小時級別長影片）上以89.5分刷新記錄，在多個運動感知和流媒體理解基準上也均居前列。團隊還為所有Seed2.0模型配備了「VideoCut」工具——當遇到需要高幀率分析的長影片片段時，模型可以主動調用這個工具對關鍵片段進行更精細的重播分析。在ZeroVideo（一個包含細粒度高幀率運動感知和長程多跳推理的挑戰性基準）上，配備VideoCut的Seed2.0 Pro從14.5%大幅躍升至27.9%。
---
六、智能體能力：從搜索、寫代碼到操控電腦界面
Seed2.0的「智能體」能力測試涵蓋了搜索代理、深度研究、視覺代理、編程代理和工具使用五大類別。
在搜索與研究方向上，Seed2.0 Pro表現出色。在BrowseComp-zh（中文網頁瀏覽搜索）上以82.4分位列第一，在HLE-text（需要工具輔助的人類最難考試題）上以54.2分超越所有對比模型，在DeepSearchQA上以77.4分排名最高，在DeepResearchBench（深度研究報告生成）上以53.3分和ResearchRubrics（研究質量評估）上以50.7分均居首位。在DeepConsult（諮詢類深度研究）上以61.1分並列第一。
在視覺代理方向，Seed2.0 Pro的領先優勢尤為顯著。在Minedojo-Verified（Minecraft環境中的具身智能
體任務）上以49%的得分遠超GPT-5.2 High（18.3%）和Gemini-3-Pro（23.3%），在MM-BrowseComp（多模態網頁瀏覽）上以48.8%同樣大幅領先（GPT-5.2為26.3%，Gemini為25%）。
在編程代理方向，Seed2.0 Pro在SWE Multilingual（多語言代碼庫問題修復）上以71.7分、在SpreadsheetBench Verified（電子表格操作）上以79.1分均居首位，在SWE-Bench Verified（主流代碼庫真實bug修復）上以76.5分位列第二梯隊。
團隊也坦率地承認了明顯短板：在SWE-Evo（跨版本代碼庫演進）和NL2Repo-Bench（從自然語言描述生成完整代碼倉庫）上，Seed2.0 Pro明顯落後於Claude Opus 4.5，這是未來重點攻堅的方向。在長上下文精確檢索任務MRCR上，Seed2.0 Pro（54分）也落後於GPT-5.2 High（89.4分）。
對於效率版模型，Seed2.0 Lite在多個智能體基準上超越了同類高效模型。在BrowseComp-zh上以82分排名第一，在DeepResearchBench上以54.4分和ResearchRubrics上以50.8分均名列前茅，在τ?-Bench（零售場景工具使用）上以90.9分同樣居首。
---
七、真實任務中的AI：五個讓人印象深刻的實戰案例
比分數更能說明問題的，是模型在真實複雜任務中的實際表現。團隊展示了一系列極具挑戰性的實戰案例。
第一個案例是針對FEAL-like加密算法的密碼學攻擊。任務給出了一個類FEAL密碼的加密程序、32對明文-密文對，要求在不暴力窮舉的情況下恢復密鑰。密鑰空間達到2的80次方，暴力破解完全不可行。Seed2.0 Pro分三個階段完成了這個任務：首先分析密碼結構，推導出F函數的逆運算；然後設計「中間相遇攻擊」——將搜索空間分成兩半，分別從明文端和密文端推進，在中間位置碰撞匹配，將計算量從2的80次方降至2的21次方；最後對100個密文全部解密成功，並用所有32對已知明密文對驗證了密鑰的正確性。值得注意的是，Seed2.0 Pro的攻擊方案與基準答案不同——它獨立設計了自己的攻擊路徑，說明它做的是真正的密碼分析推理，而非記憶復現。
第二個案例是從自然語言規格文檔構建Python配置管理庫。任務只給了一份39KB的需求文檔，要求從空白工作區開始，構建出一個可安裝、可測試、符合API規範的Python包（類似python-decouple這樣的真實開源庫）。Seed2.0 Pro在37輪交互後完成了任務，過程中自動編寫了22個測試案例，發現並修復了5個具體問題：缺少pytest依賴、Python 3.12 API變更、空字符串布爾轉換異常、測試夾具作用域錯誤、參數名混淆。最終所有22個測試全部通過，並通過pip install驗證了可安裝性。
第三個案例是量子編譯器中的相位錯誤修復。這是AInsteinBench中的量子軟體工程題目，要求修復Qiskit量子編譯器中的一個微妙bug：用Solovay-Kitaev算法分解Pauli-Y門時，得到的電路實現了-Y而非Y，差了一個全局相位。Seed2.0 Pro正確識別出這個錯誤的根源在於SU(2)和SO(3)的群論關係——SK算法在SO(3)空間中遞歸，無法區分U和-U，因此在將結果映射回SU(2)時會丟失相位資訊。它拒絕了「對某個特定門單獨修補相位偏移」這種hack方案，因為這會破壞其他門的行為，最終實現了一個通用的相位對齊方案，驗證了對所有單量子比特門的有效性。
第四個案例是數值廣義相對論代碼實現。Einstein Toolkit的構建系統引用了一個不存在的Fortran子程序AHFinder_dis.F，任務要求實現它。Seed2.0 Pro首先追蹤到代碼庫中的調用位置，理解了這個子程序的功能：在雙黑洞模擬中計算兩個視界面之間的本徵距離（Proper Distance）——這不是簡單的歐氏距離，而是需要在彎曲時空中沿測地線積分度規張量的線元。Seed2.0 Pro實現了正確的物理公式，包含完整的6分量度規張量（gxx、gyy、gzz、gxy、gxz、gyz），正確使用了Einstein Toolkit的API接口，並添加了魯棒性校驗。
第五個案例是PySCF量子化學軟體中複數密度矩陣的bug修復。任務涉及密度擬合加速的J/K矩陣構建，當使用複數分子軌道係數時，計算結果偏差約0.9 Hartree（一個極大的誤差）。Seed2.0 Pro追蹤到底層C庫函數AO2MO只支持實數數組，而複數密度矩陣被直接傳入時導致內存解釋錯誤。解決方案利用了J/K矩陣構建對實部和虛部的線性性：將複數密度矩陣分解為實部和虛部，分別通過原有實數路徑計算，再線性疊加。修復後，DF複數計算結果與參考值的誤差降至10的負11次方Hartree，通過了完整的回歸測試。
---
八、AI操作真實軟體界面：FreeCAD建模與CapCut影片剪輯
團隊還展示了Seed2.0 Pro操控真實圖形界面軟體的能力，這是目前AI落地「效率工具」的重要方向。
在FreeCAD（一款專業CAD軟體）的測試中，任務要求用Part Design工作檯創建一個參數化實體：先畫一個直徑80mm的圓並拉伸40mm形成圓柱，再在頂面畫一個50×30mm的矩形並拉伸20mm形成凸台，最後讀取最終實體的體積和表面積。Seed2.0 Pro通過96步操作完成了這個任務，途中遭遇了8次工具選擇錯誤——比如誤點了口袋工具彈出錯誤對話框、直接點擊幾何體邊緣無法選中等——但每次都能準確診斷失敗原因並切換到更可靠的策略（例如從工具欄圖標切換到菜單欄導航，從直接點擊幾何體切換到通過元素麵板選中）。最終通過Python控制台執行obj.Shape.Volume和obj.Shape.Area讀取了精確到小數點後6位的結果：體積231061.93 mm?，表面積23306.19 mm?。
在CapCut（專業版影片剪輯軟體）的測試中，任務要求按照精確的時間碼對影片進行分割、添加溶解轉場效果、導入並對齊音頻軌道、添加雪花特效並延伸至整個時間線。Seed2.0 Pro在操作過程中多次遭遇界面響應延遲、雙擊未被識別、拖拽添加效果失敗等現實問題，但每次都能重新錨定時間線起點（00:00:00:00）和剪切點（00:00:02:29），防止錯誤級聯傳播，最終生成了符合所有時間碼要求的剪輯項目。
---
九、多學科科研分析：從分子動力學到有機聚合物機理
除了執行類任務，團隊還測試了Seed2.0 Pro在研究分析場景中的表現。
在分子生物學方向，任務要求設計一套用GROMACS進行粗粒化分子動力學模擬的完整協議，研究大麻二酚（CBD）如何調控α7菸鹼型乙醯膽鹼受體。Seed2.0 Pro給出了一份詳細到命令行參數級別的協議，正確選用了PDB 7EKI/7EKJ兩個冷凍電鏡結構（靜息態和脫敏態），選用了Martini 3力場，提出了用分配係數（log P）驗證疏水配體參數化準確性的思路，給出了從CBD 25個重原子到7個粗粒化珠子的映射方案，詳細規定了能量最小化、NVT/NPT弛豫、生產模擬各階段的GROMACS命令和參數。團隊同時指出，模型在具體PDB條目和文獻引用方面存在幻覺，需要使用者在實施前進行核實。
在有機化學方向，任務要求分析馬來醯亞胺聚乙炔（mPA）的兩步合成路線——先通過開環易位聚合得到前體聚合物，再用三乙胺和TCNQ/碘氧化獲得完全共軛的主鏈。Seed2.0 Pro正確識別了該路線的戰略價值（解決了共軛聚合物的加工性困境）、Schrock催化劑的選擇原因（對電子缺乏型底物的高活性）、氧化步驟的單電子轉移機理，以及馬來醯亞胺單元降低LUMO能級、促進n型半導體行為的結構-性能關係。團隊指出，模型未能識別三乙胺和氧化劑之間可能先形成電荷轉移複合物的精細機理。
---
十、一個用AI分析AI的系統：自動化模型診斷流水線
隨著基準數量的增加，手動分析評測結果變得越來越耗時。團隊為此構建了一個「用AI分析AI」的自動化診斷流水線——用大語言模型分析其他模型在各基準上的表現，生成結構化的行為分析報告。
系統匯聚來自不同基準的指標分數和行為統計（包括token用量、格式合規率、對話輪次、表情符號頻率、Best-of-N統計等），結合逐樣本輸出、推理鏈和執行軌跡，通過三層架構（數據處理層、場景自適應分析工作流層、報告合成層）生成可供算法研究人員直接使用的結論。
在對XBench搜索代理基準的分析中，系統發現Seed2.0 Pro以0.64的平均分位列第一，但在需要精細邊界對齊的結構化比較任務中有明顯弱點。在對IMO-Bench的分析中，系統發現Seed2.0 Pro的Best-of-1分數（won=0.66）與Best-of-8分數（bon=0.87）之間存在0.211的差距，說明模型在極端值構造和全量詞窮舉類問題上存在採樣不穩定性。這些細粒度診斷能幫助團隊快速定位薄弱點，加速疊代。
---
說到底，Seed2.0這個項目講述的是一個核心矛盾：AI在孤立任務上的能力已經相當驚人，但要讓它在真實的、連續的、充滿意外的工作環境中可靠地完成任務，還有相當長的路要走。團隊在這份報告裡做的，是把這條路走得更踏實一些——通過真實用戶數據理解需求，通過貼近真實場景的基準衡量差距，通過大量實戰案例展示已經能做到什麼。
Seed2.0 Pro在數學、代碼、科研推理上已能與全球頂尖模型並駕齊驅，在中文指令執行、深度研究搜索、視覺代理等方向甚至取得領先；而在整個代碼倉庫的從頭構建、長文檔精確檢索等方向，團隊也坦率地亮出了自己的短板，並將其列為優先攻堅方向。以十分之一左右的價格達到接近最前沿的性能，這對於需要大規模部署AI的企業來說，可能是比跑分更重要的實際價值。
對這項研究感興趣的讀者，可以通過arXiv平台搜索論文編號arXiv:2607.00248查閱完整報告，其中包含各基準的詳細分數表、完整實戰案例的逐步執行軌跡，以及形式化數學證明的Lean代碼。
---
Q&A
Q1：Seed2.0 Pro和GPT-5.2、Claude Opus 4.5相比性能怎麼樣？
A：Seed2.0 Pro在數學推理（IMO金牌、AIME 98.3分）、前沿科研問題、深度搜索研究等方向與GPT-5.2 High基本持平甚至在部分項目領先；在中文指令執行、視覺代理、多模態瀏覽等方向明顯占優。但在整個代碼倉庫從頭構建（NL2Repo）和長文檔精確檢索（MRCR）方面，Seed2.0 Pro落後於Claude Opus 4.5和GPT-5.2 High。整體性能屬於同一梯隊，價格約為競品的十分之一。
Q2：Seed2.0解決埃爾多斯問題是真的嗎？
A：是的。團隊展示了Seed2.0 Pro利用疊代精化流水線（生成-驗證-修正循環）解決了兩道埃爾多斯公開問題，包括第1051號（關於整數序列無窮級數為無理數的證明）。這道題的證明還由Seed-Prover 1.5在Lean定理證明器中進行了形式化驗證，並公開了Lean代碼。團隊表示人類專家已核實了證明的正確性。
Q3：Seed2.0系列的Mini和Lite版本適合什麼場景用？
A：Seed2.0 Mini的解碼價格約為每百萬token 0.31美元，適合對延遲敏感、調用量極高但任務相對簡單的場景，比如高並發的內容分類、關鍵詞提取。Seed2.0 Lite在多項高效模型對比中擊敗了GPT-5-mini High，數學推理和搜索研究能力突出，適合需要一定推理深度但又對成本敏感的通用企業應用，比如客服問答、文檔摘要、教育輔導。
