ByteDance、AIエージェントモデル「Seed 2.0」発表　Pro・Lite・Miniの3展開

静的なベンチマークでは優秀でも、現実の複雑な連続タスクを任せると途端に破綻するAIモデルは少なくありません。

2月14日、ByteDanceは汎用エージェントモデルシリーズ「Seed2.0」を正式発表しました。ラインナップはPro、Lite、Miniの3種類で構成され、高度なマルチモーダル理解と現実世界の長期タスク処理能力を重視しています。4月下旬にはSeed2.0 Liteがアップデートされ、映像、画像、音声、テキストをネイティブで統合処理できる全モーダルモデルとなり、火山エンジン（Volcengine）のAPI経由で利用可能になりました。

用途に応じた3つのモデル

ByteDanceは単一の巨大モデルではなく、実際の運用シナリオに合わせたモデル分割を行いました。

Seed2.0 Proは、複雑な長鎖推論とマルチステップワークフローの安定性に特化しています。3D CADソフト「FreeCAD」上でダブルボスのモデリングから表面積や幾何パラメータの抽出までを一貫して自動実行するデモも公開されました。

Seed2.0 Liteは、応答速度と出力精度のバランスをとった実運用向けモデルです。4月下旬の更新により、音声入力の直接処理に対応したほか、コーディング、GUI操作、エージェント機能が強化されました。

Seed2.0 Miniは、高並行処理や大量バッチ生成を想定し、推論スループットと配置密度を極限まで最適化したモデルです。

動画と音声でGeminiと競合

公開されたベンチマークでは、動的な視覚理解と音声処理のスコアが際立っています。

視覚認識テストのBabyVisionにおいて、Seed2.0 Lite（0428版）は64.7を記録し、GPT-5.4 Highの53.4やGemini 3 Flashの47.2を上回りました。動作認識のMotionBenchでもProが75.2、Liteが72.4を記録しています。

音声を統合したLite版では、映像と音声を複合推論するOmniVideoBenchで61.7をマークし、Gemini 3.1 Proの61.4に並ぶ水準を示しました。Librispeech test-cleanの音声認識エラー率（WER）も1.07%に抑えられています。

コーディング能力については、正式リリース前に火山エンジンのユーザー50人以上を招いて事前検証を実施しました。ただし、SWE-Bench ProのスコアはProが46.9%、Liteが46.6%にとどまり、GPT-5.4 Highの54.4%には及びませんでした。

なぜ重要か

動画解析や音声認識を組み合わせたリアルタイム処理を構築する開発者にとって、Seed2.0 Liteは有力な選択肢になります。映像と環境音・音声を単一モデルで直接読み込めるため、従来のASRとLLMを組み合わせるパイプラインの煩雑さを減らせます。

業界視点では、ByteDanceがショート動画プラットフォームで培った動画理解の強みをモデル構造に直結させ、GoogleのGeminiが得意とする全モーダル領域に本格攻勢をかけてきた格好です。Pro、Lite、Miniと実運用コストを意識した設計は非常に現実的といえます。

一方で課題もあります。視覚や音響の知覚性能でトップクラスの数値を叩き出す反面、SWE-Bench Proなどの高度なプログラミング能力では依然としてOpenAIのフロンティアモデルにリードを許しています。純粋な自律コーディングよりも、動的な映像・音声データを扱う業務エージェントとしての活用が最も現実的と考えられます。