豆包Seed-2.1-pro实测：多模态与开发能力出众

当前AI领域的核心探索方向之一，就是让智能体（Agent）实现持续自我进化。头部科技厂商都在布局自动化研发流程，让AI参与到下一代AI的迭代工作中，比如让大型语言模型参与AI研发，推进自动化研究员项目，试图打通研发环节的自动化链路。

豆包从模型底层给出了差异化的进化路径——推出Seed-Evolving持续升级模式，接入该体系的智能体可以自动获得更强的编码与多模态能力。开发者无需更换模型ID，就能持续获取后续的版本更新，而Doubao-Seed-Evolving正是这套无限进化模型体系的核心。

前几天，该体系下的最优迭代版本Seed-2.1-pro-0915正式发布，我们通过官方接口对该版本进行了全方位实测：将其接入Coding Agent后，我们完成了3D白模运镜创作、四款3D游戏开发，以及一个遗留全栈项目的改造。

多模态镜头创作实测

本次实测中最具视觉冲击力的成果，并非直接通过文字提示生成，而是采用了「白模预演+AI转绘」的流程：先用Blender脚本完成白模运镜的制作，再将素材与提示词交给转绘模型Seedance 2.5完成最终画面。

该模型生成了Blender Python脚本，程序化搭建了素体汽车、人物与街道布景，设计了三段式运镜：低角度侧面跟拍、4.8米半径圆弧环绕、车头45度斜前推近特写，全程8秒192帧。在执行过程中，模型还自行修复了Blender5.2的API变更问题——当Action改为分槽结构后，旧代码出现报错，模型完成修复后重新跑通了整个流程。

白模提前完成了整个镜头的预演，确认运镜无误后，我们将视频素材与详细提示词交给转绘工具。本次使用的提示词严格规范了运镜轨迹、主体细节、环境氛围与光影要求，具体内容如下：

严格复刻参考视频的运镜轨迹与节奏。第一段（0-3 秒）摄影机在车身侧面低机位平行跟拍，由车尾缓慢横移至车头；第二段（3-6 秒）摄影机以车辆为中心缓慢环绕半圈，从右侧绕至左前方并逐渐抬升；第三段（6-8 秒）摄影机推近至车头 45 度斜前方，定格在格栅与车灯特写。镜头运动平缓流畅，不得改变运镜方向与速度。
主体：画面中央是一台真实存在的量产赛道级超跑，低趴宽体车身，符合现实空气动力学的碳纤维前唇与固定式尾翼，哑光深灰金属漆车身搭配简洁的橙色赛车拉花，大尺寸锻造多辐轮毂配红色刹车卡钳与打孔刹车盘，真实的轮胎纹理，车身表面挂着细密水珠与湿润反光，轮胎处有淡淡的真实刹车热烟。移除画面中所有站立人物。
环境：夜晚真实城市街道赛道，雨后湿滑的深色柏油路面自然反射路灯与霓虹灯光，两侧是真实的高层楼宇与护栏后虚化的观众人群，暖色路灯与冷色店铺招牌交错，赛道边缘有真实的发光指示灯带，空气中漂浮淡淡雾气，整体为真实街景而非概念布景。
光影：真实电影级自然光，以街灯与店铺招牌等实际光源照明，车身呈现真实金属漆反射与柔和轮廓光，地面为湿润路面的自然漫反射而非镜面反射，背景曝光自然偏暗。画质：照片级真实感，真实摄影机稳定器拍摄质感，35mm 电影镜头自然景深与轻微镜头眩光，细微自然的胶片颗粒，真实动态模糊，无 CG 感、无概念车塑料感，写实汽车广告大片。

传统仅通过文字描述运镜的方式，往往会和预期画面存在偏差，而通过代码先确定可调整的镜头参照，再由视频模型完成最终渲染，不仅大幅降低了偏差率，也减少了反复测试的成本。最终的成片完美沿用了白模的运镜与构图，让电影级画面的可控性得到了显著提升。

3D游戏开发实测

我们选取了四款3D游戏作为测试场景，这类项目非常适合验证模型的产出质量——即便代码可以跑通，画面表现与操作逻辑的问题也很容易在试玩中暴露。每项测试我们仅提供一份PRD文档，模型需要在单次prompt限制内完成完整开发循环，并自行判断开发完成的节点，最终我们对成品进行了实际试玩。

坦克大战

使用Three.js开发的对战游戏，要求包含玩家控制、敌方AI、子弹碰撞与击毁逻辑。本次测试中模型的表现最为出色，整体游戏体验流畅自然。对比此前测试的其他模型，该版本既避免了过度仿真导致的操作门槛过高，也解决了部分模型出现的开火无法命中目标的碰撞检测问题。此外，游戏中的障碍物分为可破坏与不可破坏两类，无论是交互体验还是游戏逻辑设计，都符合常规商业游戏的标准。

Roguelike地牢

该项目要求实现随机地图生成、角色探索战斗、寻路与道具掉落功能。模型在空间计算方面的表现令人满意，未出现穿墙或攻击失效的问题。值得一提的是，该版本的通道设计更宽敞，避免了此前测试其他模型时出现的通道过窄导致的交互体验下降问题。不过该版本也存在明显不足：画面整体偏暗，游戏主角的朝向存在错误，当角色向前移动时面向反而向后；同时怪物与武器的设计较为简单，仅使用了基础的球体模型与单剑武器。

3D塔防

该项目需要围绕敌方进攻波次规划游戏节奏，同时处理建塔、经济系统与升级逻辑。模型实现了全自动的怪物刷新机制，完成一轮敌人击杀后自动触发下一波进攻，相比此前测试的部分需要手动触发下一波的模型，该设计更符合玩家的直觉，体现出模型对塔防游戏逻辑的深刻理解。不过游戏中的建筑造型较为简略，缺乏精致的视觉效果。

地铁跑酷

参考经典游戏Subway Surfers的玩法，要求实现三条跑道的奔跑、左右变道、跳跃、滑铲躲避障碍与收集道具的功能。第一版代码的跳跃动作存在明显问题，点击跳跃后角色没有正常的起跳动画，我们将问题反馈后，模型在第二版中完成了修复。最终版本的奔跑速度适中，难度合理，还实现了随机刷新道具的功能。不过该版本仍存在两处不足：主角无法跳上车辆，未实现类似原版游戏的上车机制，仿真程度有待提升。

生产级项目改造实测

我们选取了去年开发的Smartlmager多模态图片搜索与管理项目作为生产级测试案例，该项目保留了原始的代码问题与不够完善的前端交互设计。该项目的开源地址为：https://github.com/li-xiu-qi/Smartlmager。

我们仅要求模型对项目进行全栈改造：将原有的Python后端拆分为AI推理后端与Next.js全栈非AI后端，同时优化前端交互体验。模型完整梳理了整个项目的架构并完成了迁移，我们验收后发现整体效果符合预期，前端界面调整也符合我们的审美要求，整体改造过程顺利，达到了满意的效果。

写在最后

在测试之前，我们并未对该模型的表现抱有过高期待。作为国内AI模型的代表之一，Seed-2.1-pro-0915在本次测试中的表现，彻底刷新了我们对国产模型的固有印象。此前我们对该模型的认知仅停留在日常聊天场景，很少将其用于开发工作，但本次实测证明，该模型完全可以接入日常使用的Coding Agent体系中。

需要注意的是，本次测试的只是0915版本，Seed-Evolving体系在两个半月的时间内已经完成了五次迭代，后续每次使用时，模型都可能已经完成了新的进化。

API调用地址：

https://ark.volcengine.com/region:cn-beijing/promotion/model?agentMode=close&modelName=doubao-seed-evolving