谷歌和OpenAI又杠上了。
在新版GPT-4o刚登顶竞技榜后1天,立马发布最新试验版模型Gemini-Exp-1121夺回冠军宝座。
要知道,一周前上一版模型Gemini-Exp-1114才发布。
这怕不是拿准了OpenAI会来争擂台,故意留了一手。
谷歌的研究人员们显然很得意。
谷歌DeepMind首席科学家Jack Rae,称这是一场有趣的后训练“闪电战”。暗示post-training的迭代速度要比预训练快得多。
DeepMind研究副总裁Oriol Vinyals还隔空发问奥特曼:最近还有提交计划吗?
火药味很足,也很自信啊。
所以“1121”有多强?来看具体性能。
代码/推理/视觉理解全提升
按照官方说法,Gemni-Exp-1121重点提升了三方面性能。
除了风格控制外,其他方面目前都位于第一。
在视觉能力方面,Gemini-Exp-1121比上一版还有提升。
风格控制下的复杂提示词方面,Gemini-Exp-1121和o1-preview、New Sonnet 3.5水平相当。
竞技场中的实际胜率如下。
现在也能直接上手体验。
比如针对同一张漫画,让Gemini-Exp-1121和GPT-4o-lastest-1120给出理解。
Gemini-Exp-1121的回答更加全面且详细,并且善用小标题、重点加粗。
新版4o的回复就比较简短和笼统。
在经典的动物过河逻辑推理题上,Gemini-Exp-1121回答完全正确,新版4o出现了一些失误,把第三次过河和第四次过河合并了,因此回答有误。
One More Thing
值得一提的是,OpenAI这边也有新消息。
有人在ChatGPT最新测试版本中首次发现了“实时摄像”(Live Camera)视频功能的代码。
它具体包括实时录像、实时处理、语音模式集成以及视觉识别能力。
在高级语音模式推出时,一些用户有体验到这一能力。
这意味着OpenAI已经做好了上线这一功能的准备。
另一边谷歌也展示过类似的demo,还没上线。按照OpenAI的调性,很可能会抢在谷歌前全量铺开。
或许等到明年,和Chatbot的主要交流方式,就要从文字对话转为语音和agent了。Live Camera可能就是开始,你觉得呢?
参考链接:[1]https://x.com/OfficialLoganK/status/1859667244688736419[2]https://x.com/adonis_singh/status/1859682100569571399[3]https://x.com/OriolVinyalsML/status/1859730969600852222[4]https://x.com/rowancheung/status/1859301345993556277