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
