昨天上午，商汤科技在2024世界人工智能大会上发布了国内首个“流式交互”多模态大模型“日日新5o”，并在现场进行一系列演示，展示了它对标GPT-4o的各种能力：能看懂现实世界，包括人、物、文字等符号；能听懂用户的话语，并根据其中的指令对现实世界进行识别，再向用户反馈；能看书识字，概括书本所讲的内容……

　　商汤科技董事长兼首席执行官徐立介绍，这种“流式交互”大模型在整合跨模态信息的基础上，将大语言模型、语音模型、图像理解模型“三合一”，从而能够实现没有时延地在声音、文本、图像和视频等各种模态之间自由切换，为用户流畅地“解读”现实世界。

　　商汤研发人员认为，“流式交互”大模型的潜在应用场景有很多，比如在教育领域，它可以为儿童讲解绘本，为他们解算术题；在养老领域，它可以与老年人聊天，提供情绪价值。随着人形机器人和“具身智能”的兴起，机器人的“大脑”和“五官”也需要这类大模型，从而更有效地识别周边环境，成为人类的得力助手。

　　“日日新5o”的各种功能离不开基模型“日日新5.5”的支撑。今年4月发布的“日日新5.0”是国内首个对标GPT-4 Turbo的大模型，经过两个多月技术迭代，“日日新5.5”实现了多项功能升级，综合性能较“日日新5.0”平均提升30%，在数学推理、英文能力、指令跟随等能力上明显增强，交互效果和多项核心指标可比肩GPT-4o。

　　在发布“日日新5.5”基模型和“日日新5o”多模态大模型的同时，商汤也发布了“日日新5.5-lite”端侧模型。这类模型可以部署在智能手机、平板电脑、车载电脑、VR（虚拟现实）一体机等各种设备端，与云端大模型相比，响应速度更快，所需算力资源更少，是实现大模型落地应用的重要产品。徐立表示，“日日新5.5-lite”可支持写作、百科知识等多种业务方向，同时支持端侧快速部署和云端调用。

（文章来源：解放日报）