AI 大模型：国内外发展现状与趋势分析

1. 更强的模型能力和图片生成能力。根据测试，文心大模型 4.0 版本在理解、生成、逻辑、记忆四大功能上都有明显提升，具有显著优化的模型性能。
2. 支持接入丰富的 API 插件，可以实现撰写代码、润色文案、设计与绘图等多种功能。

文心一言成为首个国内面向 C 端收费的大模型产品。文心一言专业版的分为单独订阅和联合会员两种收费模式。单独订阅模式下，会员月付 59.9 元，选择连续包月可以享受 49.9 元的优惠价格；该模式下会员可以使用文心一言大模型 3.5 和 4.0 两个版本，而非会员只可使用免费的文心大模型 3.5 版本。联合模式下，用户月付 99 元，可以同时具有单独订阅模式的全部功能，并获得文心一格白银会员资格，享受 AI 修图改图等功能。

科大讯飞星火大模型 V3.5

1 月 30 日，科大讯飞举行星火认知大模型 V3.5 升级发布会。讯飞发布基于首个全国产算力训练的讯飞星火 V3.5，七大核心能力全面提升，语言理解、数学能力、语音交互能力超过 GPT-4 Turbo，代码达到 GPT-4 Turbo 96%，多模态理解达到 GPT-4V 91%。

4 月 26 日，讯飞星火大模型 V3.5 春季上新，发布长文本、长图文、长语音大模型。不仅可以快速学习各种来源的海量文本、图文资料、会议录音，还能够针对多种多样的行业场景给出专业、准确回答。此外，星火语音大模型本次更新还包括多情感超拟人合成功能，具备情绪表达能力，并推出一句话声音复刻功能。

讯飞正式启动对标 GPT-4 的大模型训练，2024 年上半年对标 GPT-4，要走独立的技术路线和产业方向，形成完整产业生态。

清华智谱 ChatGLM4

1 月 16 日，2024 年度技术开放日 Zhipu DevDay，智谱 AI 发布了新一代基座大模型 GLM-4。 在大规模多任务语言理解评测中，GLM-4 的表现明显优于 GPT-3.5，其平均得分已经达到了 GPT-4 的 95% 水平，在某些特定任务上甚至表现相当。

GLM-4 具备强大的多模态能力： 文生图和多模态理解能力得到增强，CogView3 在文生图多个评测指标上，相比 DALLE3 约在 91.4%-99.3% 的水平之间。

GLM-4 推出的 All Tools 能力： GLM-4 能自主理解和执行复杂任务，调用浏览器、代码解释器等完成复杂工作。

个性化智能体功能：用户可以通过智谱官网轻松创建属于自己的 GLM 智能体，实现大模型开发定制。

商汤日日新 SenseNova5.0

4 月 23 日，商汤科技在技术交流日上发布全新升级的'日日新 SenseNova5.0'大模型，其主流客观评测指标达到或超越 GPT-4 Turbo。 日日新 5.0 模型能力提升一方面得益于采用混合专家架构（MoE），激活少量参数就能完成推理，且推理时上下文窗口高达 200K 左右；另一方面来自海量的训练数据，其训练数据超过 10TB tokens、覆盖了数千亿量级的逻辑型合成思维链数据。

商汤多模态大模型的图文感知能力达到全球领先水平，在权威综合基准测试 MMBench 中综合得分居首位，在多个知名多模态榜单 MathVista、AI2D、ChartQA、TextVQA、DocVQA、MMMU 均取得优异成绩。

百川智能 Baichuan

1 月 29 日，百川智能发布超千亿参数的大语言模型 Baichuan 3。 在多个权威通用能力评测如 CMMLU、GAOKAO 和 AGI-Eval 中，Baichuan 3 都展现了出色的能力，尤其在中文任务上更是超越了 GPT-4。而在数学和代码专项评测如 MATH、HumanEval 和 MBPP 中同样表现出色，证明了 Baichuan 3 在自然语言处理和代码生成领域的强大实力。

Baichuan 2 是百川智能推出的开源大语言模型，采用 2.6 万亿 Tokens 的高质量语料训练。Baichuan 2 在多个权威的中文、英文和多语言的通用、领域 benchmark 上取得同尺寸最佳的效果。包含 7B、13B 的 Base 和 Chat 版本，并提供了 Chat 版本的 4bits 量化。

通义千问 Qwen 打造丰富的开源大模型矩阵

通义千问 2023 年 4 月问世以来，专注于基础模型的技术研发，从初代模型升级至 2.5 版本。相比上一版本，2.5 版模型的理解能力、逻辑推理、指令遵循、代码能力分别提升 9%、16%、19%、10%，中文能力持续领先。

今年 2 月初，通义千问团队推出开源模型系列 Qwen1.5，随后在不到 3 个月的时间连续开出 8 款大语言模型，模型参数规模涵盖 5 亿、18 亿、40 亿、70 亿、140 亿、320 亿、720 亿、1100 亿，打造了丰富的开源模型矩阵。能力最强的 Qwen1.5-110B 在 MMLU、TheoremQA、GPQA 等多个基准测评中展现出卓越性能，基础能力可与 Meta 的 Llama-3-70B 模型相媲美。

字节跳动'豆包'大模型

5 月 15 日，字节跳动正式对外发布豆包大模型，豆包大模型家族包括豆包通用模型 Pro、豆包通用模型 Lite、豆包·角色扮演模型、豆包·语音合成模型、豆包·声音复刻模型、豆包·语音识别模型、豆包·文生图模型等，这些模型已接入抖音、番茄小说、飞书、巨量引擎等 50 余个业务。

豆包主力模型定价 0.0008 元/千 Tokens，一元钱能买到豆包主力模型的 125 万 Tokens，约 200 万汉字，极具价格竞争力。

苹果 APP Store 和各大安卓应用市场，豆包 APP 的下载量在 AIGC 类应用中排名第一，豆包上已有超过 800 万个智能体被创建，月度活跃用户达到 2600 万。

月之暗面 Kimi 智能助手上下文长度突破 200 万字

Moonshot AI 提供超长记忆 AI 助手 Kimi。23 年 10 月，月之暗面推出可支持 20 万字无损上下文长度的智能助手 Kimi，具备显著的中文优势，能够为用户提供智能搜索、回答问题、速读文件、整理资料、激发灵感、辅助创作等服务，上下文长度可以达到 Claude 100k 的 2.5 倍、GPT-4-32k 的 8 倍。

Kimi 智能助手使用方便，新版 Kimi 与之前版本相比在相同设备和成本的情况下模型响应速度提升了 3 倍左右。

Kimi 推出应用商店 Kimi+。首批上线共 5 大类 23 个 Kimi+，覆盖了很多常用的场景。五大类主要包括官方推荐、办公提效、辅助写作、社交娱乐、生活实用，不同的 Kimi+ 可以用来解决不同的问题，包括写提示词、写文章、搜索资源等等。

Deepseek-V2 具备较强的推理成本优势

深度求索 Deepseek 发布了 v2 版本的模型，沿袭了 Deepseek-MoE（混合专家模型）的技术路线，采用大量的小参数专家进行建模，同时在训练和推理上加入了更多的优化。Deepseek 对模型进行了完全的 mit 协议开源，可以商用。

Deepseek V2 模型参数量达到 236B，同时由于模型小专家混合的特性，模型每个 token 在推理时的激活参数为 21B，可以实现高推理速度。模型的核心优化点多头隐式注意力显著降低了训练和推理成本。在成本效率方面，相比 V1 的稠密模型，V2 模型节约了 42.5% 的训练成本，减少了推理时 93.3% 的 KV-cache 显存占用，将生成的吞吐量也提升到了原来的 5.76 倍。

Deepseek-V2 在众多开源模型中表现仅次于 70B 的 LLaMA3，超过了他们此前发布的 V1 代 67B 的非 MoE 模型。

国内多模态模型相关进展

国产文生视频大模型 Vidu 发布，对标 Sora 持续迭代

国产文生视频大模型 Vidu 正式发布，实现重大技术突破。 4 月 27 日，国产 AI 视频大模型 Vidu 发布。Vidu 是由清华大学和生数科技联合开发的中国首个长时长、高一致性、高动态性视频大模型。它不仅能够精确模拟现实世界的物理特性，还具备强大的创新能力。Vidu 能够制作出具有多个镜头视角的视频内容，并且在不同镜头之间保持高度的时空连贯性。目前 Vidu 能够实现一键生成长达 16 秒、1080P 高分辨率的高清视频。

Vidu 采用独创 U-ViT 架构，正在加速迭代。 Vidu 采用了一种独创的架构——U-ViT，该架构融合了 Diffusion 技术和 Transformer 技术。其核心技术 U-ViT 架构由团队于 2022 年 9 月提出，其 Diffusion 与 Transformer 融合的架构完全由团队自主研发。

国产文生音乐大模型天工 Skymusic

天工 SkyMusic 基于昆仑万维天工 3.0 超级大模型打造，采用了音乐音频领域的类 Sora 架构，是目前国内唯一公开可用的 AI 音乐生成大模型。 天工 SkyMusic 采用音乐音频领域类 Sora 模型架构，Large-scale Transformer 负责谱曲，来学习 Music Patches 的上下文依赖关系，同时完成音乐可控性；Diffusion Transformer 负责演唱，通过 LDM 让 Music Patches 被还原成高质量音频，使得天工 SkyMusic 能够支持生成 80 秒 44100Hz 采样率双声道立体声歌曲。

天工 SkyMusic 具备高质量 AI 音乐生成、人声'以假乱真'、歌词段落控制、多种音乐风格、歌唱技巧学习等特点。目前 Skymusic 已经开启公测，所有用户可以免费使用。