作者 | 刘(liu)宝丹(dan)
编(bian)辑 | 周智宇
ChatGPT的爆红让人(ren)们看到了AI大模型的巨大潜力，在经过一年多的技术追赶后，国内(nei)大模型公司纷纷押注应用端。
然而，要想做出(chu)一款真正(zheng)有影响力的产品，并不是件(jian)容易(yi)的事情。
在2024世界人(ren)工智能大会上，商汤(tang)CEO徐立审(shen)慎地(di)指出(chu)：“尽管热潮汹(xiong)涌，但我们距离(li)那个(ge)真正(zheng)震撼业界的‘超级时(shi)刻’尚有距离(li)。”他强调，AI尚未全面渗透至各行各业的骨髓之中，也未能在社会上激(ji)起广泛而深刻的变革涟漪。
正(zheng)是基(ji)于这种清醒(xing)的认知，商汤(tang)把当前的重点放在了大模型本身的性能上。
7月5日，商汤(tang)在“大爱无疆·向新力”人(ren)工智能论坛上发布了“日日新5o”，这是国内(nei)首个(ge)所见即所得模型，其交(jiao)互体验对标GPT-4o。
具体来看，“日日新5o”通过整合跨模态信息，基(ji)于声音、文本、图像和视频等(deng)多种形式(shi)，带来一种全新的AI交(jiao)互模式(shi)，即实时(shi)的流式(shi)多模态交(jiao)互。
对于为何命名(ming)为5o，商汤(tang)研究院研发总监卢乐炜对华(hua)尔街(jie)见闻表示，这个(ge)版(ban)本引入了很多现在能媲美 GPT-4o 的最前沿能力，在版(ban)本命名(ming)上比较保守，V6会有一个(ge)更(geng)大的计划，带来更(geng)全面、更(geng)基(ji)础的大升级。
创新交(jiao)互模式(shi)
在现场，商汤(tang)科技对“日日新5o”的能力进(jin)行了演示：
刚开始，工作人(ren)员仅是和“日日新5o”打个(ge)招呼，它(ta)就自动识别出(chu)工作人(ren)员脖(bo)子佩戴(dai)的胸卡带子上的字(zi)眼，判断出(chu)现场就是世界人(ren)工智能大会会场，并表示在这个(ge)地(di)方可以“好好学习”。
接下来，工作人(ren)员拿了一只可爱小狗玩偶，“日日新5o”准确描述了小狗的外貌、表情以及重要穿戴(dai)——一个(ge)戴(dai)着印有商汤(tang)科技logo白(bai)帽子，很给主场人(ren)排面。
再(zai)上些难度，随便(bian)翻开一本书的任何一页，“日日新5o”都能自动介绍，不是简(jian)单的OCR识别文字(zi)，而是识别图文给出(chu)好理解(jie)的总结，这一切在瞬间即可完成，真正(zheng)做到实时(shi)交(jiao)互。
工作人(ren)员还现场发挥了“画功”，随手画了一只简(jian)笔画小兔子，“日日新5o”直呼画得可爱，而后工作人(ren)员又画了一个(ge)微笑(xiao)表情，它(ta)从这个(ge)平(ping)静的表情中捕捉到了笑(xiao)意，工作人(ren)员又改了一笔把嘴巴画大增(zeng)添了舌头，“日日新5o”看到后立马说到这表情开心(xin)多了。
“日日新5o”打造的是如同(tong)真人(ren)聊天一般(ban)的交(jiao)流对话，据商汤(tang)介绍，这种交(jiao)互模式(shi)特(te)别适用于实时(shi)对话和语音识别等(deng)应用，能够实现对标GPT-4o的交(jiao)互体验正(zheng)是源(yuan)于“日日新5.5”基(ji)础模型能力的全面提升。
接下来的计划
今年4月，商汤(tang)科技发布了“日日新5.0”，这是国内(nei)首个(ge)对标GPT-4 Turbo的国产大模型，引发资(zi)本市场的热潮。
短短两个(ge)多月时(shi)间，全新“日日新5.5”体系迎来多项(xiang)升级，综合性能较“日日新5.0”平(ping)均提升30%，在数学推理、英文能力和指令跟随等(deng)能力明显增(zeng)强，交(jiao)互效(xiao)果和多项(xiang)核心(xin)指标实现对标GPT-4o。
卢乐炜表示，5.5的发布从技术预研来说，不是最近几(ji)个(ge)月的，它(ta)是商汤(tang)自上年末在研发原生多模态的一个(ge)方法论的集成。“这一块恰(qia)好跟 GPT-4o 的 o 这个(ge) Omni的实际含义是一样的。我们当时(shi)很早就预判了这个(ge)趋势，有一个(ge)研发攻关(guan)的技术团队(dui)在做这个(ge)事。”
“它(ta)能在训练过程中涵盖多个(ge)模态带给它(ta)的知识，然后相互融合，这个(ge)对于算法的性能精度提升帮助非常大。”卢乐炜进(jin)一步强调，这个(ge)原生多模态集成了音频、视频，还有最早的图像，从输入端encoder到输出(chu)端 decoder 都是完全集成到一个(ge)模型里(li)。
此外，“日日新5.5”采用混合端云(yun)协同(tong)专家架构，最大限度发挥云(yun)边端协同(tong)，降低推理成本，模型训练基(ji)于超过10TB tokens高质量训练数据，包括大量合成的思维链数据，提升推理思维能力。
对于接下来的版(ban)本计划，卢乐炜表示，这一版(ban)本更(geng)新还是相当大的，当时(shi)也考虑按常规(gui)是一个(ge) V6 的版(ban)本号，但我们同(tong)时(shi)在进(jin)行的 V6 版(ban)本会有一个(ge)更(geng)大的计划，它(ta)能承载一个(ge)希望更(geng)全面的、更(geng)基(ji)础的一个(ge)大的升级。
“我们先(xian)把他保守的宣传做一个(ge)5.5版(ban)本的发布，希望也可以让大家期待一下，到时(shi)候 V6 将会带来怎样一个(ge)更(geng)全面的升级。”