5月23日，豆包APP正式推出实时视频通话功能。当用户在视频通话中开启画面后，该应用可通过智能视觉系统与使用者展开场景化问答交互。在旅行场景中尤为实用：游客只需启动视频对话模式即可即时获取所在景点的历史沿革解析、特色文化介绍及游览路线规划等深度信息。
这一创新功能依托于豆包最新研发的视觉理解模型技术体系。该模型不仅具备强大的图像内容识别与语义理解能力，在跨模态信息处理方面表现突出——既能同步分析视觉元素与语言输入并生成结构化结论（如解答高等数学题），又能完成创意性内容构建（例如根据画面描述创作故事）。此外其逻辑推理模块支持复杂运算需求：包括解析学术论文中的图表数据关系、诊断真实编程代码中的技术问题等专业级应用场景。
值得关注的是，在对话交互过程中该系统特别接入了动态联网检索机制。通过实时抓取互联网最新资讯流数据源，在保证交互精准度的同时显著提升了信息时效性。这一突破实现了人工智能从单模态交互向多模态协同演进的关键跨越，并为移动应用提供了更具场景适配性的智能服务解决方案。
