明敏 发自 凹非寺

量子位 | 公众号 QbitAI

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。

这就是引诱OpenAI发新版GPT-4o，然后再用更好的模型来狙击它。

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。

代码能力显著提升

更强推理能力

更强视觉理解能力

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。

问题：农夫需要把狼、羊和白菜都带过河，但每次只能带一样物品，而且狼和羊不能单独相处，羊和白菜也不能单独相处，问农夫该如何过河。

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。

另一边谷歌也演示过类似的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