Doubao 1.6
ByteDance (Volcano Engine) · ライティング · 音声・言語 · チャットボット · 中国のAI
Doubao 1.6はVolcano Engine Arkで提供されるByteDanceのマルチモーダルAIモデル群だ。3つの思考モード、256Kコンテキスト、入力長に応じた段階料金を備える。
Doubao 1.6 について
About
Doubao 1.6とは
Doubao 1.6は、ByteDanceのDoubao AIモデル群のうち、2025年6月11日のVolcano Engine FORCEカンファレンスで発表されたものだ。同じ名前の下に3つのチェックポイントがある。汎用の doubao-seed-1.6、重い推論向けの doubao-seed-1.6-thinking、低遅延と大量処理向けの doubao-seed-1.6-flash である。
狙いは統合にある。チャット用モデル、視覚用モデル、自動化レイヤーを別々に組み合わせる代わりに、Doubao 1.6はテキスト、画像、動画を読み、その内容について推論し、さらにグラフィカルな画面まで操作する。3つとも256Kのコンテキストを受け付ける。中国の提供元の同じ価格帯では最大の数字だ。
引っかかるのはモデルの外側だ。豆包は中国市場を起点に作られており、コンソール、課金、そしてほぼすべてのドキュメントが中国本土のアカウントを前提にしている。日本からでも doubao api は呼べるが、稟議とコンプライアンスの手間は米国の提供元より確実に増える。
使い始める
- 入口を決める。豆包アプリ（Web、iOS、Android）は無料で、設定も要らない。コードから使うなら Volcano Engine Ark へ。
- Arkのアカウントを作り、本人確認を済ませ、コンソールでAPIキーを発行し、使うDoubao 1.6のバージョンを有効にする。
- クライアントの向き先をArkのエンドポイントにする。OpenAIのchat completions形式なので、ベースURLとモデルIDを差し替えれば公式SDKがそのまま動く。
- リクエストごとに思考モードを指定する。難問ならオン、速度優先ならオフ、判断を任せるならautoだ。そのうえでテキストや画像、動画を含むプロンプトを送る。
- 契約前に自社の文書やスクリーンショットで試す。提供元のベンチマークは、自社データで何が起きるかを教えてくれない。
AIツール情報
Doubao 1.6の料金、対応プラットフォーム、性能を簡単に確認できます。
こんな人におすすめ
このツールが最も力を発揮するユーザー、タスク、シーン。
ユーザー
- 中国市場向けに作るチーム。Doubao 1.6は中国語の語感と現地の文脈を、大半の欧米モデルより正確につかむ。豆包アプリには現地で巨大な利用者基盤もある。
- 画面を読ませたい開発者。GUI操作の能力があるため、エージェントはスクリーンショットを読んでそのまま動ける。視覚処理の経路を別に組まなくていい。
- 予算の厳しいスタートアップ。flashは1メッセージごとに呼べるほど安く、キャッシュで必死に節約する必要がない。
タスク
- 長い文書の確認。256Kのコンテキストなら契約書一式、コードのフォルダ、調査資料の束を1回で飲み込める。分割の手間が消える。
- グラフや帳票の読み取り。画像入力はスキャンした表やダッシュボードを扱える。テキスト専用モデルには届かない領域だ。
- 中国語と英語の行き来。翻訳も書き換えも両方向で自然に仕上がる。越境チームでは効いてくる。
シーン
- 量の多いカスタマーサポート。flashはミリ秒で返すので、チャット欄が高負荷でも固まらない。
- バックオフィスの入力作業。請求書や社内システムのスクリーンショットを渡すと、構造化した結果が返る。
- エージェントの試作。クリックの順序を組み立て、フォームに打ち込むところまでやる。社内ツールのデモが短い周期で回る。
主な機能
1つのモデルに3つの思考モード
Doubao 1.6は推論をオン、オフ、autoのいずれかに設定できる。autoではプロンプトを読んで思考の連鎖が必要かどうかを判断するため、単純な依頼は速く安いままだ。速いモデルと推論モデルを選び分ける従来の悩みを、設定1つに置き換えた形である。
3バージョンすべて256Kコンテキスト
3つのチェックポイントが256Kトークンを受け付ける。高いほうだけではない。およそ400ページ分のテキストを1回の呼び出しで処理できる。長い入力はトークン単価が上がるので交換条件は現実にあるが、文書の途中で壁に当たることはない。
動画も含むマルチモーダル入力
テキスト、画像、動画のフレームが同じリクエストに入る。2枚のスクリーンショットで何が変わったかを尋ねたり、グラフから数字を抜き出したりできる。多くのチームではOCRや視覚処理の工程が1つ減る。
GUI操作
モデルは画面を見て、クリック、入力、スクロール、フォームの記入といった行動を出す。ByteDanceはこれをコンピュータ操作エージェントの土台に据える。整った標準的な画面ほど精度が高く、重要なシステムに触れさせる前には自前の歯止めが要る。
入力長に連動する料金
推論や視覚に割増をかける代わりに、Doubaoは入力長の区間ごとに料金表を置く。0〜32K、32K〜128K、128K〜256Kの3段階だ。短いプロンプトは安いままで、長い文書はコンテキストを多く使うぶん高くなる。ByteDanceは総コストがDoubao 1.5 thinkingのおよそ3分の1になると説明する。
4段階の思考の長さ
2025年10月の更新で4段階（minimal、low、medium、high）が加わった。回答前にどれだけ内部で考えるかを選べるため、モデルを替えるのではなくリクエスト単位で遅延と品質を調整できる。
メリットとデメリット
メリット
- 中国語の扱いが堅実で、英語も翻訳と書き換えに耐える。
- トークン単価が欧米の最先端モデルよりはるかに安い。flashでは差が特に大きい。
- 3つのチェックポイントすべてが256Kコンテキストを持つ。長い入力のために上位版へ移る必要がない。
- 視覚、動画、画面操作が1つのエンドポイントにまとまり、統合作業が減る。
- APIがOpenAI形式なので、既存のSDKやラッパーがほぼそのまま動く。
デメリット
- 登録、支払い、本人確認が中国本土のアカウント前提で、海外のチームは最初でつまずく。
- データは中国国内で処理される。この一点だけで、欧米の規制業種では選択肢から外れる。
- 英語ドキュメントが中国語版より遅れる。エラーメッセージや更新情報は自分で訳すことになる。
- モデル群の入れ替わりが速い。Doubao 2.0は数か月後に登場し、バージョン移行が恒常的なコストになる。
よくある質問
アシスタントの定型作業（会話、要約、翻訳、コーディング支援）に加え、テキスト専用モデルにできない2つを担う。画像と動画を読むこと、そしてグラフィカルな画面を操作することだ。サポートbot、文書レビュー、画面の自動化で使われる。
関連コンテンツ
Doubao 1.6に関連するツール、スキル、記事を探す。
Doubao 1.6の代替ツール
Google EmbeddingGemma 2
Google DeepMind · ライティング · 画像 · コーディングGoogle EmbeddingGemma 2 は 7 億 4000 万パラメータのオープンなモデルで、テキスト、コード、画像、音声、動画フレームを同じ 768 次元空間のベクトルに変え、スマートフォンやノート PC 上で動く。
MePersona
MePersona, Inc. · ライティング · 生産性向上 · マーケティングMePersonaはクリエイター向けのAI統合受信箱だ。あなたの話し方を学習し、12プラットフォームに届くファンメッセージの返信を下書きして、承認したものだけを送る。
Fluence
Yay Software (Yannick Huchard) · ライティング · 音声・言語 · 生産性向上Fluence は Android 向けのドキュメントリーダーだ。PDF、EPUB、Word 文書、ウェブ記事を読み上げ、発話中の文を画面で追わせ、本文についての質問にも端末上で答える。