豆包 2.1 Pro 实测：看图写代码、建 3D 星球，还能还原手绘草图
从一张提示词开始：AI 做出了可交互的 3D 山西导览
国庆中秋双节临近，有人还在纠结去哪儿玩。有意思的是，现在 AI 已经能帮你规划路线了——我们只给模型一段文字提示，它就交出了一份可移动、可点击的 3D 山西旅行导览。
提示很简单：收集山西旅游信息，绘制一份清晰好看的 3D 景点地图，支持交互点击，了解各景点位置、看点和游玩建议。
结果令人意外：首页是山水风格的汇总界面，进入后能看到按真实海拔起伏构建的地形，配色清爽，信息基本准确，还推荐了四条主题路线——比如古建线、晋商线、自然风光线等。这不是静态图片，而是一个能在浏览器里自由拖拽、缩放、点击查看详情的 Web 应用。
背后是字节刚上线的新版豆包 2.1 Pro（版本号 0915）。该模型 API 已在火山方舟全量开放，豆包工作也同步接入。官方称其重点升级了四个方向：多模态 Coding、Agent 专业任务交付、面向 3D 与专业图文的多模态理解，以及 Token 效率。其中最引人注目的是“多模态编程”——让模型看着设计稿、图纸甚至录屏来写代码，并能根据运行画面自动调整。
跟着小王子建星球：从昼夜循环到会飞的玫瑰
为了测试这种能力，我们决定用《小王子》的故事串起一系列任务。第一站，是他的 B612 星球。
这颗星球很小，有三座火山、几棵猴面包树和一朵骄傲的玫瑰。我们的要求是：设计一个可放在桌上的微缩星球摆件，支持旋转和昼夜变化。
模型生成的结果很有“摆件感”：星球表面细节丰富，玫瑰会缓缓绽放，光影过渡柔和。更妙的是，它把昼夜循环速度设为一天 44 次——呼应书中“小王子一天看了 44 次日落”的情节。整个场景用 WebGL 实现，加载快，交互流畅。
过程中，模型还会自主截图当前画面，分析哪里不对，再回头修改代码。比如最初玫瑰颜色偏暗，它通过比对参考图调整了材质参数；又比如初始旋转轴偏移，它通过坐标校准修正。这种“看—做—验—改”的闭环，正是多模态 Agent 的核心能力。
从五视图重建城堡：连屋顶都能打开看内部
星球有了，房子也不能马虎。我们找来一张小王子城堡的外观五视图（前、后、左、右、顶），要求模型据此重建 3D 模型，并生成合理的室内布局，还要支持打开屋顶查看。
结果虽未 100% 复刻原图，但空间关系还原得很准：塔楼高度、窗户分布、门廊结构都对得上。模型还额外加了自动旋转和墙体半透明功能，方便观察内部。点击屋顶，它会缓缓升起，露出里面的楼梯、房间和家具布局——这些细节虽未在提示中明确要求，但符合“可查看内部”的逻辑延伸。
这说明模型不仅识别了图纸中的几何信息，还理解了“用户想看什么”。这种对使用场景的预判，是传统代码生成工具难以做到的。
给小王子送台“iPhone Duo”：折叠屏里玩 Foldy Bird
安顿好家，怎么联系小王子？我们决定送他一台苹果刚“发布”的 iPhone Duo——当然是数字版的。
任务更复杂：提供三张图片和两个视频，展示一款折叠屏手机的开合方式，以及一个通过折叠操作游玩的 Flappy Bird 游戏。模型需读懂视频中的动作逻辑，再生成可交互程序。
最终成品中，数字 iPhone Duo 有两块屏幕，点击侧边可展开。主界面有多个图标，其中一个就是 Flappy Bird。点击后，游戏启动：小鸟的翅膀会随屏幕折叠角度扇动，穿过一个个管道。有趣的是，模型给游戏起了个新名字：Foldy Bird。
交互逻辑基本跑通，但外形更像 Surface Duo 而非 iPhone。这说明模型对“苹果设计语言”的理解仍有偏差，但在动作逻辑和游戏机制上抓得很准——它看懂了“折叠=控制”这一核心玩法。
回到现实：一张平面图，就能生成带交互的 3D 房子
小王子的故事讲完，我们转向更实际的需求：现实中，很多人只有一张图——可能是建筑平面图、庭院设计图，甚至是随手画的草稿。
先试建筑平面图。我们给模型一张标准住宅平面图，包含墙体、门窗、家具标注等。它成功将其转化为 3D 模型，并自动加入隐藏屋顶、视角切换和自动旋转功能。更重要的是，它正确解读了图例：比如虚线代表推拉门，实心矩形是衣柜，L 形符号是厨房操作台。
据字节介绍，新版模型对工程图纸中的尺寸标注、公差符号识别精度有所提升，也能更准确地解析 CAD 工件等 3D 物体。这次测试印证了这一点——它不只是“画出来”，而是“理解了”图纸背后的建造逻辑。
接着是庭院设计。我们提供一张庭院布局图，要求模拟春夏秋冬四季风貌。模型生成的场景中，春天有樱花飘落，夏天绿荫浓密，秋天银杏金黄，冬天则覆盖薄雪。植被、光照、地面材质都随季节动态变化，且过渡自然。
最后是一张我们自己手绘的潦草草图：一个带侧边栏、中央工作区和个人设置的桌面布局。提示要求支持多主题切换，包括极简、像素画、水墨、莫兰迪色、Atom 编辑器经典风、Aurora Gradient 和赛博朋克等。
结果超出预期：所有主题都实现了，切换流畅。我个人最喜欢赛博朋克风——霓虹蓝紫配色、故障动画、浮动窗口，很有未来感。而且它还提供了字体、布局密度、快捷键等深度设置，真能当日常工作台用。
民间测试加码：“鹈鹕骑自行车”也能 3D 化
测试尾声，我们用了 AI 圈流传已久的民间考题：Simon Willison 的 “Generate an SVG of a pelican riding a bicycle”。这次我们加码：要求生成 3D 像素风版本。
模型先输出一版 2D 动画，确认理解任务后，再给出 3D 结果。鹈鹕的身体比例、长喙特征、双腿蹬车的姿态都表现到位。背景树木与主体有合理透视，镜头环绕时，鹈鹕与自行车的空间关系始终保持稳定——没有出现穿模或错位。
虽然像素风格略显粗糙，但作为从文字+简单指令生成的 3D 场景，完成度已经很高。这再次证明其在空间理解和动作建模上的进步。
背后的技术：多模态 + Agent + 高效 Token
回看这次更新，豆包 2.1 Pro 0915 基于 Seed-Evolving 最新版固定而来。后者自今年 6 月公开后，三个月内高频迭代，多模态编程能力已达国内领先水平。
核心亮点有两个：
一是更懂复杂代码仓库。官方披露，在开源游戏 Luanti（约 38.7 万行代码、1000 个历史 Issue）的自主修复中，模型调度多个子 Agent 连续运行近 36 小时，完成根因定位与跨文件修复，83% 的任务达到可合并标准。
二是“看图写代码”。它能直接解析设计稿、操作录屏，转成前端代码和游戏逻辑。一个案例中，一套无文档的老 ERP 系统，仅凭一段操作录屏和几张草图，模型就读懂了约 28 万行 Java 代码，开发出移动端页面并跑通完整业务链路。
支撑这些的是多模态理解能力的提升。前面的城堡五视图、平面图、iPhone Duo 视频等测试，考的正是这项能力。
在 Agent 方面，模型强化了证据溯源、权威信源检索和数据核验，幻觉明显减少。例如在“iPhone Duo 首年出货量预测”任务中，它派出 4 个子智能体分别调研供应链、市场报告、竞品数据和历史趋势，最终产出详实分析，并明确标出哪些信息无法核实。
成本上也有优化：新版图像和视频推理的 Token 消耗比上一代减少 30% 以上。这对需要反复截图、对照画面的任务（如看录屏写代码）来说，大幅降低了使用门槛。
目前，开发者可在火山方舟调用 Doubao-Seed-2.1-pro-0915 模型；普通用户下载最新版“豆包工作”，选择“豆包 2.1 Pro（0915 新版）”即可体验。
编程正在长出“眼睛”
编程从来就不只是文本的事。真实工程中的大量知识，藏在设计图、软件界面、操作录屏，甚至老员工的手势习惯里。前端工程师的日常，很大一部分就是把设计师的 Figma 文件一点点变成代码。只会读文字的编程模型，天然缺了一条腿。
多模态补上的，正是这条腿。
从技术演进看，编程正越来越多地与视觉、空间理解结合。AI 编程要走向生产级落地，必须能“看见”世界。现在的趋势是：编程智能体开始带着一双“眼睛”去工作——看界面、看图片、理解视觉反馈，再决定代码怎么写。
同时，编程能力本身也不再只为“做软件”服务，它正成为 AI 解决通用任务的工具。无论是建 3D 星球、模拟庭院四季，还是还原手绘草图，底层都是代码在驱动。
从字节的布局看，豆包 2.1 Pro 的更新，凸显其在多模态领域的整合优势：将 Seed Audio（音频）、Seedance（视频）、Seedream（图像）等技术积累，转化为面向真实工作场景的生产力。豆包大模型正在融合“编程模型”与“通用 Agent”能力，服务更多元的创作与办公需求。
更深的变化发生在人机关系上。过去几十年，是人在学机器的语言：写代码、写 PRD、写接口文档，把想法层层翻译成机器能执行的格式。
现在，机器开始学着看懂人的表达：一张随手画的草图，一段录下来的操作，一次屏幕演示，都可以直接成为开发的起点。
从人读懂机器，到机器读懂人。当模型有了“眼睛”，代码就成了它的“手”。