ByteDance 官方模型卡：Seed2.1 Turbo 多任务基准与 Pro 对照

一句话结论

官方表格显示 Turbo 在办公、代码、视觉和视频任务上保持接近 Pro 的整体水平，但在 Agent Startup、视觉感知和部分视频运动理解上差距明显，路由应按任务族而非统一降级。

适用场景

• 适合的任务：用官方公开分数建立 Turbo/Pro 的任务族先验，再设计同 harness 的本地复测和路由规则。

• 不适合的任务：将官方分数当作自己仓库的成功率，或忽略工具、提示词、模型快照和评测实现差异。

• 适用的模型版本：Seed2.1 Pro 与 Seed2.1 Turbo，表格同时列出 Claude Opus 4.7、GPT-5.5、Gemini 3.1 Pro 等对照。

• 适用的客户端、Agent 或 API：官方 Seed 页面、Doubao/火山方舟生态；页面没有公开每个 benchmark 的 API 请求细节。

• 推荐的推理档位和参数：未公开；页面给出分数但没有统一公开温度、最大输出、工具版本和采样次数。

测试环境

• 测试方：ByteDance Seed 官方团队。

• 覆盖能力：知识、推理、高经济价值办公、长链端到端代码、终端使用、调试、多模态推理、视觉、空间、长上下文、长视频和运动理解。

• 对照：官方表格中的 Claude Opus 4.7、GPT-5.5、Gemini 3.1 Pro，以及视频部分的 Gemini 3.5 Flash。

• 输入/配置：完整 prompt、数据版本、工具、采样次数、置信区间和 harness 未公开。

输入/配置

页面以模型卡交互表格展示结果；带 “w. Tool” 的项目明确标注了工具版本，但未提供工具 schema 和请求样例。ProgramBench 的 Turbo 单元原样显示为 0/0/49.4，页面未在正文解释三个子值的含义。

结果数据

以下数值为官方表格直接展示的百分比/分数，Pro/Turbo 按页面列顺序抄录：

页面还显示 Turbo 在 BeyondAIME 为 88.0（Pro 87.0）、CharXiv-RQ（含工具）为 82.5（83.6），以及 ZEROBench（含工具）为 11.0（20.0）；括号值是页面同一单元的附加值，官方未在可读正文解释其统计含义。

结论

Turbo 并非简单的 Pro 缩小版：在 BeyondAIME 和 Workspace Bench 等项目上接近或高于 Pro，但在 Agent Startup Bench、BabyVision、TOMATO 和部分代码/调试项目上落后更明显。它更适合作为成本/吞吐优先的默认路由，并为高风险长链任务保留 Pro fallback。

局限

• 所有分数是官方模型页数据，不是独立重跑；没有输入、提示词、采样次数、工具版本和置信区间。

• 页面展示的是模型快照和表格结果，当前 API 端点可能变化；日期和快照应在复测时重新记录。

• 斜杠值和括号值的统计定义未公开，不能自行拆解或计算平均数。

• 分数差异不能直接换算为真实仓库成功率、成本或延迟。

复现步骤

1. 记录当前 Turbo/Pro API 模型快照、思考模式、工具集合、上下文和价格。

2. 按办公、代码、终端、视觉、视频分桶建立真实任务集，保证两模型使用同一 harness。

3. 记录首轮完成、修正轮次、工具失败恢复、独立测试、token、延迟和单任务成本。

4. 根据任务族结果设置 Turbo 默认路由和 Pro fallback，并定期与官方表格更新做差异核对。

来源摘录或观察（仅做合规短引）

• 官方页面将 Turbo 和 Pro 并列展示，而不是只给家族总分。

• 结果表把 w. Tool、长视频和多模态长上下文作为独立条目，说明工具与输入模态必须作为评测维度保存。