豆包使用的大模型是字节跳动发布的“豆包大模型”，其核心技术包括多模态能力、语音对话一体化、视觉理解模型以及视频生成模型等。

1. 多模态能力

豆包大模型具备强大的多模态处理能力，支持语音、文本、图像和视频的深度融合，在通用语言、视频生成、语音对话和视觉理解等方面表现卓越。其最新版本Doubao-pro-1215已全面对齐GPT-4o，并在数学、专业知识等复杂场景中表现优异。

2. 语音对话一体化

豆包大模型通过端到端的语音理解和生成技术，实现实时语音对话，为用户带来流畅的交互体验。相比传统级联模式，其语音表现力和控制能力显著提升。

3. 视觉理解与视频生成

豆包推出了视觉理解模型Doubao-vision，支持同时处理文本和图像输入，并生成精准的回答。其视频生成模型如PixelDance和Seaweed，主打复杂提示词理解和多交互主体控制，在多个主流数据集上比肩Gemini 2.0与GPT-4o。

4. 技术优化与性能提升

豆包大模型采用MoE架构和训练-推理一体化设计，大幅提升了模型性能与推理效率。其最新版本在多个评测基准上取得优异成绩，同时推理服务价格仅为GPT-4o的八分之一，展现了极高的性价比。

总结

豆包大模型凭借其多模态能力、语音对话一体化、视觉理解与视频生成等核心技术，成为国内领先的AI大模型之一。未来，其在更多应用场景中的潜力值得期待。