发布屡次截胡？OpenAI 与谷歌携新版大模型再度交锋 | 大模型一周大事

大模型的快节奏发展，让了解最新技术动态、积极主动学习成为每一位从业者的必修课。InfoQ 研究中心期望通过每周更新大模型行业最新动态，为广大读者提供全面的行业回顾和要点分析。现在，让我们回顾过去一周的大模型重大事件吧。

一、重点发现

本周，人工智能领域迎来了一波大模型发布的高潮，行业玩家纷纷推出自家的创新成果，AI 巨头间的角力再次升温。OpenAI、谷歌、百度和腾讯等公司相继亮相了各自的大模型。其中，OpenAI 的新一代模型 GPT-4o 与谷歌的 Gemini 家族最为引人注目。新模型不仅在多模态理解能力、长文本理解、运行速度等性能上有所突破，更在应用场景和用户体验上带来了新的想象空间，预示着 AI 技术将在未来扮演更加关键的角色。

二、具体内容

大模型持续更新

1. 5 月 12 日，斯坦福大学的研究者开发了一个名为 ThunderKittens 的 AI 加速框架。该框架通过简化的 CUDA DSL 让开发者能够更容易地编写高效的 GPU 内核，显著提高了 GPU 利用率。 ThunderKittens 在 RTX 4090 上实现了约 122 TFLOP 的性能，且在 H100 上的性能比 FlashAttention-2 高出约 30%。

2. 5 月 14 日，OpenAI 发布了新一代模型 GPT-4o ，这是一个全能模型。该模型集成了文本、语音、图像三种模态的理解力，能够实时生成文本、音频和图像的输出。GPT-4o 在英语文本、代码、非英语文本、视觉和音频理解方面都有显著提升。

3. 5 月 15 日，谷歌发布 Gemini 家族新成员 Gemini 1.5 Flash ，并宣布更新 Gemini 1.5 Pro 。Gemini 1.5 Flash 是一款专为速度而优化的小型模型，旨在处理高频任务，提供快速响应。它能够分析和处理包括文本、图片和视频在内的多种信息类型，拥有高达 100 万个 Token 的处理能力。Gemini 1.5 Pro  具备 200 万 token 的超长上下文窗口，能够处理大量信息，如 2 小时视频、 22 小时音频、超过 6 万行代码或 140 多万单词。

4. 5 月 15 日，百度发布了全球首个 L4 级自动驾驶大模型 Apollo ADFM ，并宣称其安全性是普通人类驾驶员的 10 倍以上，能覆盖城市级全域复杂场景。

5. 5 月 16 日，亚信科技认知增强平台 TAC MaaS 与渊思·编程大模型、渊思·自智网络大模型、渊思·智能运维大模型 3 个行业大模型。

6. 5 月 17 日，腾讯云正式发布教育行业大模型。该模型基于自研混元大模型，融合了教材、习题、论文等资源，并通过腾讯云 TI 平台优化，特别在中文阅读理解、问答和教育相关任务上表现优异。

7. 5 月 17 日，字节跳动发布了豆包大模型（原云雀大模型） AI 产品家族。豆包大模型家族包括九款模型，满足不同场景需求，并且字节跳动还推出了 AI 应用产品“扣子”和豆包 App 。

开源领域

1. 5 月 13 日，零一万物发布了其 Yi 大模型家族的新成员 Yi-1.5 并正式开源。 Yi-1.5 包含 6B、9B、34B 三个版本的预训练和微调模型，采用 Apache 2.0 许可证。作为 Yi-1.0 的持续预训练版本， Yi-1.5 在 500B 个 token 上进行了训练，以提升编码、推理和指令执行能力，并在 300 万个指令调优样本上进行了精细调整。 

2. 5 月 14 日，腾讯宣布其混元文生图大模型全面开源。该模型支持中英文双语输入及理解，拥有 15 亿参数量，并采用了与 Sora 一致的 DiT（Diffusion With Transformer） 架构，使其在文生图生成方面表现优异，效果超越开源的 Stable Diffusion 模型。

多模态领域

1. 5 月 15 日，谷歌发布了视频生成模型 Veo ，该模型能够根据文本提示生成超过 60 秒的高质量 1080p 视频，支持多种电影风格，并具备深层次的语言与视觉理解能力。Veo 能够准确捕捉文本中的细微差别，并在视频场景中逼真呈现细节。

科研领域

1. 5 月 13 日，百度大数据实验室与上海交通大学团队合作开发了名为 RNAErnie 的基于 Transformer 的 RNA 语言模型。该模型通过基序感知预训练和类型引导的微调策略，在多个数据集和任务中表现出色，准确率和 F1 得分显著提高，证明了其在 RNA 序列分析方面的优越性和泛化潜力。

2. 5 月 16 日，来自亚马逊与得克萨斯大学奥斯汀分校的研究团队发表论文《SynthesizRR: Generating Diverse Datasets with Retrieval Augmentation》。 SynthesizRR 是一种创新的数据集合成技术，通过结合检索和精细化（Refinement）方法，解决了传统大型语言模型在生成示例时出现的重复性、偏差和风格差异问题。该技术通过引入多样化的内容“种子”，显著提升了词汇和语义的多样性，并在多个复杂任务的数据集上，与人类文本的相似性以及学生模型的提炼性能方面取得了显著进步。

应用探索

智能体

1. 5 月 13 日，宇树科技推出了新款人形机器人 Unitree G1 ，其起步价为 9.9 万元人民币，相比之前推出的 Unitree H1 价格大幅下降。Unitree G1 身高 1.27 米，体重 35 公斤，具有多达 43 个关节电机（基础版为 23 个），能够模拟复杂动作并实现精细的运动控制。这款机器人可以折叠存放，运行速度可达 2 米/秒，并且配备了 3D LiDAR 传感器和深度摄像头，具备 360 度全景深度感知能力。

2. 5 月 15 日，谷歌发布名为 Project Astra 的 AI Agent 。Project Astra 能够接收信息、记忆所看到的内容、处理信息并理解上下文细节，以实现与周围世界的自然交互。它在声音和视觉处理方面表现出色，能够进行无延迟的实时语音交互，并快速响应用户的问题，通过连续编码视频帧和组合视频、语音信息来处理收到的内容。

基础设施

1. 5 月 15 日，谷歌发布第六代 AI 芯片 Trillium 。这款新型 TPU 在计算性能上实现了高达 4.7 倍的提升，同时内存带宽翻倍，能效比上一代产品提高了 67% 。Trillium 芯片采用了谷歌自研的第三代 SparseCore 技术，有效加速了模型训练并降低了服务延迟。预计 Trillium 将在今年年底向云客户提供，进一步巩固其在云计算和 AI 领域的领导地位。

报告推荐

AGI 概念引发热议。那么 AGI 究竟是什么？技术架构来看又包括哪些？AI Agent 如何助力人工智能走向 AGI 时代？现阶段营销、金融、教育、零售、企服等行业场景下，AGI 应用程度如何？有哪些典型应用案例了吗？以上问题的回答尽在《中国 AGI 市场发展研究报告 2024》，欢迎大家扫码关注「AI 前线」公众号，回复「AGI」领取。

报告预告

金融行业是否找到了大模型落地应用的最佳路径？取得了哪些具体应用成果? 又存在哪些难以逾越的挑战与桎梏？金融机构一定要应用大模型吗？如何考量金融大模型应用效果？欢迎大家持续关注 InfoQ 研究中心即将发布的《大模型在金融领域的应用洞察》。