文｜周鑫雨
编辑｜苏建勋
卷出第一个国产版GPT-4o的，是智谱AI。
智谱AI的2024年主题，一定是在多模态赛道上狂奔。先是2024年7月26日，智谱AI上线了类Sora的视频生成模型“智谱清影”。团队邀请大家使用和反馈的诚意也很足——比起发布半年多了还没开放的Sora，“清影”上来就是免费不限量。
一个月后的8月29日，在国际数据挖掘与知识发现大会（KDD）上，智谱AI带着国产版《Her》、类GPT-4o炸了一波场——在C端产品“智谱清言”中，智谱AI首次上线了“视频通话”功能。
这意味着，当“懂王”AI长了眼睛、有了情绪，人与AI的交互方式，离人与人更近了一步。
比如AI也跟上了潮流。最近刷屏游戏圈的《黑神话：悟空》，智谱清言看到后“秒懂”，还能和你唠两句。
同时，智谱AI还放出了最新版的“多模态模型全家桶”，比如能看懂视频和网页的视觉模型GLM-4V-Plus，支持图片编辑的文生图模型CogView-3-Plus。
语言基座模型GLM，也迭代到了GLM-4-Plus版本，更能玩转长文本，也更会做数学题。
智谱版GPT-4o的玩法：辅导作业、口语教练、厨房管家曾经，GPT-4o的“三段感情迭代”，惊艳了一大批用户。但智谱清言像是个大直男，当要求它“更有感情一点”，它会理性地朝你“泼冷水”：作为一个人工智能，无法表达感情。
不过，智谱清言的视频通话功能，有更适合中国人“活到老学到老”体质的玩法。
比如，它可以是你的随身英语教师。打开摄像头后，你也能体验一把“走到哪，问到哪，学到哪”的高浓度英语学习。
△询问番茄的英文。来源：智谱AI
当然，它也可以是“哪里不懂拍哪里”的数学老师。智谱清言的讲解，质量甚至和真人教师有的一拼，不仅循循善诱，还有问答互动。家长再也不用为辅导作业而烦恼！
△解答混合运算选择题。来源：智谱AI
平时在家，智谱清言也揽下了生活管家的活。
比如，它能一眼认出瑞幸的包装袋，立马给你来了一段瑞幸历史的科普。不过，智谱清言最后开了小差，将本意为咖啡该怎么储存的问题，理解成了包装袋该怎么储存……
△识别瑞幸包装袋。来源：智谱AI
目前，视频通话的过程还无法储存在历史记录中。不过，有了“长了眼”的智谱清言，就仿佛同时下载了作业帮、小红书和下厨房。
新视觉模型上线，看得懂视频，也看得透网页源代码对于智谱AI而言，2024年绝对是在多模态上狂飙的一年。
在KDD上，智谱AI更新了“模型全家桶”，既发布了新一代的语言基座模型，也发布了升级后的多模态家族：图像/视频理解模型GLM-4V-Plus、文生图模型 CogView-3-Plus。
先来看语言基座模型GLM-4-Plus。
有意思的是，GLM-4-Plus的训练，大量采用了高质量模型合成数据。事实证明，AI合成数据已经可以有效运用于模型训练，降低训练数据的获取成本。
从结果来看，GLM-4-Plus的语言理解能力，与GPT-4o和Llama3.1-405B不相上下。
△综合能力benchmark。图源：智谱AI
而在长文本能力的表现上，GLM-4-Plus和GPT-4o、Claude 3.5 Sonnet两个顶尖模型也并驾齐驱。在清华大学刘知远团队做的长文本测试集InfiniteBench上，GLM-4-Plus甚至略优于两个国外天花板模型。
△长文本能力benchmark。图源：智谱AI
同时，通过采取近端策略优化(PPO，一种提升复杂任务决策能力的训练方法)，GLM-4-Plus的数据、代码算法等推理能力有了明显提升，并且能够更好反映人类偏好。
目前，GLM-4-Plus百万Tokens的处理价格为50元，与百度最新的大模型ERNIE 4.0 Turbo差不多持平（百万Tokens输入30元、输出60元）。
△GLM-4-Plus定价。
多模态能力的更新，是最精彩的部分。
相较于上一代GLM-4V，视觉大模型GLM-4V-Plus增加了视频和网页理解能力。
△视觉能力benchmark。图源：智谱AI
比如，只要输入智谱AI官网的截图，GLM-4V-Plus立刻就能转化成html代码，帮助你快速复刻网站。
△GLM-4V-Plus能力测试。图源：作者测试
与一般视频理解模型不同，GLM-4V-Plus不仅看得懂复杂视频，还具备时间感知能力。这意味着你问模型视频第xx秒的内容，它也能给出答案。不过截至发稿前，智谱AI开放平台的模型体验区还不支持上传视频。
美中不足的是，相较于逆天的视觉多模态理解能力，GLM-4V-Plus的多轮对话和文本理解能力显得有些“拉垮”。看来，GLM-4V-Plus离成为GPT-4o，还有相当距离。
△GLM-4V-Plus视频理解能力。图源：智谱AI
在KDD上，智谱AI还发布了新一代的文生图模型CogView-3-Plus。与近期文生图界的“当红炸子鸡”FLUX相比，CogView-3-Plus 20s版本的各项能力基本能打平。
△文生图能力benchmark。图源：智谱AI
输入提示词：桌子上有一台笔记本电脑，电脑旁边放着一个透明玻璃杯，这是一个圆柱形的杯子，半杯水还冒着热气，杯身折射了些许阳光。
△CogView-3-Plus能力测试。图源：作者测试
同时，CogView-3-Plus也支持图片编辑功能，比如改变图中物体的颜色、替换物品等等。
△CogView-3-Plus图片编辑。图源：智谱AI
给2024年1月发布的几款模型，加上“Plus”的后缀，智谱AI花了超过7个月——这也是2023年以来，智谱AI发布模型的最长周期。
可见的是，GPT-4o，对于AI大模型企业而言，是一道能力的分水岭。随着多模态能力的融合，语言理解的“黑箱”刚被打开，又很快被GPT-4o合上了。
多数国内模型厂商的策略是：分而治之，先增强不同模态的单模态模型能力，再攻克融合的难题。
智谱AI的模型矩阵，目前仍然在各自迭代能力的“分治”阶段，而视频通话功能的上线，让用户已经看到了初步多模融合的影子。
欢迎交流
