Seed2.0 Model Card：字节把评测搬进真实任务

如果只扫榜单，Seed2.0 很容易被读成「字节又发了一个高分模型」。这份模型卡更值得看的地方在另一层：字节 Seed 开始把模型评测从单题能力，推向科学研究、整仓代码、长文档学习和真实业务流程。arXiv 页面显示，这篇《Seed2.0 Model Card: Towards Intelligence Frontier for Real-World Complexity》由 Bytedance Seed 署名，v1 提交时间对应北京时间 2026 年 7 月 1 日清晨。1

模型卡一开头就把问题说得很直白：Agent 系统能解竞赛题，却常常不能稳定做完真实任务；原因一是任务链条长，二是现实知识太长尾。Seed2.0 要补的不是单一 benchmark，而是这个「会答题」到「会办事」之间的断层。2

Seed2.0 被拆成 Pro、Lite、Mini 三个尺寸。Pro 面向复杂推理和长上下文，Lite 走通用质量和成本平衡，Mini 面向高吞吐、低延迟场景。模型卡把用户体验拆成四个工程变量：视觉和多模态查询、推理延迟、复杂指令执行、代码辅助。2

这和很多模型报告的口径不同。Seed2.0 不是先列一堆公开榜单，再补几张案例图；它先从大陆 MaaS 使用数据和开发者使用轨迹出发，说明企业正在拿模型处理非结构化信息、教育、内容创作、搜索推荐和客服销售等任务。换句话说，模型卡把「线上用户到底怎么用」放到了评测设计之前。2

价格也是这条路线的一部分。表 1 写得很具体：Seed2.0 Pro 每百万输入 token 为 0.47 美元、输出为 2.37 美元；Lite 是 0.09 / 0.53 美元；Mini 是 0.03 / 0.31 美元。作为参照，表中 GPT-5.2 High 为 1.75 / 14.00 美元，Claude Opus 4.5 thinking 为 5.00 / 25.00 美元。2

这不是单纯的便宜。对高频企业流程来说，价格会决定模型能不能被塞进每一次检索、每一份文档分析、每一轮客服问答里。Seed2.0 的产品逻辑是：如果模型要参与工作流，就不能只在最高档模型上成立。

模型卡把高级评测分成四个维度，每个维度都对应一个真实失败模式。

「Vibe Coding」这个词容易被误读成随手写代码。论文里的意思更窄：用户给一份不完整需求，模型要自己规划、写文件、跑测试、修 bug，最后交出能跑的仓库。它考的不是某个函数写得对不对，而是模型能不能把软件工程当成一条长链条处理。

Context Learning 也类似。它不是问模型记住了多少知识，而是把长手册、内部文档、噪声检索结果塞给模型，看它能不能提取有用信息并按约束完成任务。对企业用户来说，这比「模型训练时见没见过某个冷门知识」更接近真实问题。

基础语言能力上，Seed2.0 Pro 进入第一梯队，但不是每项都领先。表 3 中，Seed2.0 Pro 在 AIME 2025 为 98.3、AIME 2026 为 94.2，Codeforces 为 3020，IMOAnswerBench 为 89.3；但 SimpleQA Verified 只有 36.0，明显低于表中 Gemini-3-Pro High 的 72.1。FactScore 也只有 71.2，低于其它大模型的 90 分以上区间。2

这说明它的定位不是「所有维度压过对手」。Seed 自己在引言里也承认，Seed2.0 系列在编码上和 Claude 仍有差距，在与用户体验密切相关的长尾知识上和 Gemini 仍有差距，举的例子就是 SWE-Evo、NL2Repo、SuperGPQA 和 SimpleQA-Verified。2

多模态部分更强势。模型卡报告 Seed2.0 Pro 在 MathVision 为 88.8、MathKangaroo 为 90.5、MathCanvas 为 61.9；在长文档和图表理解上，DUDE 为 72.4、MMLongBench 为 74.8、ChartQAPro 为 71.2。2 这些数字和前面「真实用户大量上传截图、图表、扫描文档」的判断能对上。

Agent 能力里，搜索和视觉 Agent 是亮点。表 11 中，Seed2.0 Pro 在 BrowseComp-zh 为 82.4，HLE-Verified 为 73.6，DeepSearchQA 为 77.4；视觉 Agent 任务里，Minedojo-Verified 为 49.0，MM-BrowseComp 为 48.8，HLE-VL 为 39.2。2

但代码 Agent 的短板同样明显。SWE-Evo 上，Seed2.0 Pro 为 8.5，低于 Claude Opus 4.5 的 27.1；高级任务表里，NL2Repo-Bench 上 Seed2.0 Pro 为 27.9，低于 GPT-5.2 High 的 49.3。模型卡在结果段落里明确说，context-driven learning 和 repository-level code 仍有 headroom。2

Seed2.0 的长尾知识评测值得单独看。模型卡提出 LPFQA 和 Encyclo-K：前者来自专业论坛和专家社区里的真实长尾问题，覆盖编程、金融、工程、医学和应用科学；后者从书籍中抽取原子知识，再组合成测试实例。2

这背后有一个产品判断：用户不会只问通用百科题。企业流程里的问题经常非常碎，比如某个合同字段怎么抽、某个制造流程里的异常怎么解释、某个专业文档里的规则怎么落到操作。模型在常识题上强，不代表它能在这种长尾工作里可靠。

复杂指令也是同一类问题。模型卡披露了一个中文内部评测：912 个测试样例、17 个加权维度，覆盖格式、条件、内容、措辞、语气、emoji、few-shot、中文和英文长度约束。Seed2.0 Pro 总分 75.26%，比 Seed1.8 的 72.89% 高 2.37 个百分点；其中语气控制提升 15.16 个百分点，措辞遵循提升 10.31 个百分点，few-shot 提升 9.53 个百分点。2

这些听起来不像「前沿智能」的大词，但很接近真实产品里的麻烦。用户要的经常不是一段聪明回答，而是「按我给的条件，一条都别漏」。漏一个长度限制、错一个格式、把中文语气写偏，模型在生产里就要返工。

模型卡后半段放了大量 use case，其中科学分析案例很能说明边界。Cannabidiol 分析中，Seed2.0 能提出合理的分子动力学工作流、验证指标和 GROMACS 操作，但模型卡也写明，它会幻觉具体 PDB 条目和文献细节，实际使用前必须人工核验。2

Maleimide Polyacetylene 案例里，模型能解释 ROMP、氧化、结构-性质关系和 n 型半导体逻辑，但没有识别 TEA 与氧化剂可能先形成电荷转移复合物这一更具体的机理。模型卡的评价很克制：宏观叙述成立，关键动力学细节不够深。2

这类边界比一串总分更有用。Seed2.0 已经能把复杂科学任务写成有步骤的初稿，但在会造成实验误导的位置，仍会把「像真的」细节写出来。对科研、工程和企业流程来说，这意味着它适合作为初稿生成器、方案拆解器、检索和推理助手，不适合作为无人复核的最终执行者。

如果你关心的是中文企业场景、图文档理解、搜索研究、低成本高频调用，Seed2.0 Model Card 给出的信号是正面的。Pro 的多模态和搜索 Agent 能力已经进入第一梯队，Lite 的价格和结果也适合大规模部署。

如果你关心的是整仓代码、长程上下文学习、科学事实准确性，就要看得更谨慎。模型卡没有把这些问题藏起来：NL2Repo、SWE-Evo、DeR2、SimpleQA Verified、科学案例里的幻觉，都在提示同一个事实。Seed2.0 正在向真实任务靠近，但真实任务不是一个榜单分数能盖住的东西。下一步最该盯的，不是它还能多刷几个 benchmark，而是这些长链条任务在真实用户环境里能不能稳定少返工。