对标GPT-4o！商汤发布两大国内首个大模型 入局价格战

IT时报记者 孙妍

香农、图灵、冯·诺依曼……当商汤科技创始人汤晓鸥出现并对大家自然微笑时，现场有不少人泪目。在2024年世界人工智能大会（WAIC2024）商汤科技“大爱无疆·向新力”论坛上，商汤科技董事长兼CEO徐立在开场演讲时用一个AI视频致敬了人工智能行业的几位重要奠基人，而这个视频正是由Vimi生成的。

Vimi是商汤此次发布的一大C端主力产品，国内首个真C端可用、可控的人物视频生成大模型。而更有颠覆性的是国内首个所见即所得的模型——商汤“日日新5o”，实时多模态流式交互对标GPT-4o，开启了全新的AI交互模式。

此外，商汤也加入了大模型价格战，近期推出了“大模型0元Go”计划，凡是“日日新”的新注册用户，都可获得涉及调用、迁徙、训练等多项免费服务。同时，商汤还将免费赠送5000万Tokens包，并且派出专属搬家顾问，帮OpenAI用户实现零服务成本迁移。而且，接入具备“日日新5o”能力的端侧大模型，每台设备9.9元包年。

“日日新5o”对标GPT-4o 实时多模态流式交互

工作人员对着手机镜头说了一句：“你跟大家打个招呼吧。”“日日新5o”就自动识别出工作人员佩戴的胸卡带子上的字眼，判断出现场就是世界人工智能大会，并表示在这个地方可以“好好学习”。

从现场演示效果来看，“日日新5o”已经具备很强的识别物体能力，并能用自然语言来描述自己所看到的物体。“这书叫《反脆弱》，从不确定性中获益，讲的是怎么在混乱里找机会。作者塔勒布，来自土耳其，还写了《黑天鹅》。里面提了不少新词，反脆弱等等，对现在挺有启发的。”

随便翻开一页书，“日日新5o”就能自动用自己的语言来介绍，背后涉及的技术不是简单的OCR识别文字，而是识别图文给出轻松解读和简要总结，而且阅读和总结的速度远远快于人类，几乎在瞬间完成。

能听会看更会找话题，就如同真人聊天一般的交流对话，这种交互模式特别适用于实时对话和语音识别等应用，其多任务适应性强，能够在同一模型中自然处理多种任务，且根据不同上下文自适应调整行为和输出。这些能力到底有什么用？徐立表示，连一个台灯都能调用云和计算资源来实时交互，那么所有智能设备都可以，包括智能音箱、智能车载、智能眼镜等。

“日日新5o”这一多模态大模型以“日日新5.5”为基座大模型，能够实现对标GPT-4o的交互体验，正是源于“日日新5.5”基础模型能力的全面提升。

今年4月，商汤宣布“日日新5.0”成为国内首个对标GPT-4 Turbo的国产大模型，短短两个月，综合性能较“日日新5.0”平均提升30%，在数学推理、英文能力和指令跟随等能力明显增强，交互效果和多项核心指标实现对标GPT-4o。

据了解，“日日新5.5”模型训练是基于超10TB tokens高质量数据，包括大量合成的思维链数据，以提升思维能力。同时，它采用混合端云协同专家架构，最大限度发挥云边端协同，降低推理成本。

这么智能大模型会不会用不起？商汤表示，接入具备“日日新5o”能力的端侧大模型，每台设备9.9元包年。

一张照片稳定输出1分钟视频 Vimi可控人物视频生成大模型

一波接一波的参观者，商汤展台一位工作人员忙得汗流浃背，他负责介绍的展品正是登上“镇馆之宝”的Vimi，它是首个可控人物视频生成大模型，而且是真C端可用。

使用过市面上让照片动起来的AI视频应用后，你会发现，几乎所有AI大模型做不到人物的一致性，动作、表情无法精准控制，人物长相、背景效果变幻莫测，而且有的限制时长在3~4秒，完全没办法满足AI视频创作者的需求。

目前该产品已经对C端开放，在商汤科技官网上预约开通后，用户只需上传一张任意风格的照片，就能生成和目标动作一致的人物类视频，比如写真视频、数字分身、表情包等，头发、服饰、背景变化、光影变化等都能自动生成，而且手势、头发和肢体十分合理、自然、和谐，不会显得呆板和失真。

聊天、唱歌、舞动等娱乐互动场景任意挑选，唯美写真风、奇幻风等多种风格随意切换，写真影楼们是不是胆战心惊了？它的应用场景和市场空间远不止于此。

要知道，Vimi“稳定输出”的时长是1分钟，这和OpenAI的sora基本对齐了。