《科創(chuàng)板日報》5月17日訊（記者 朱凌） 近日，OpenAI用一場26分鐘的線上直播展示了GPT-4o帶來的驚艷交互能力，將新一輪AI爭霸帶入了“Her 時代”。GPT-4o的“o”代表“omni”，一詞意為“全能”，該模型能夠?qū)崿F(xiàn)無縫的文本、視頻和音頻輸入，并生成相應模態(tài)的輸出，真正意義上實現(xiàn)了多模態(tài)交互。

緊隨其后一天，年度Google I/O開發(fā)者大會如期而至，谷歌CEO Sundar Pichai宣布了一系列圍繞其最新生成式AI模型Gemini的重大更新，全面反擊OpenAI，其中就有由升級后Gemini模型驅(qū)動的AI助手項目Project Astra、對標Sora的文生視頻模型Veo等。

本周AI戰(zhàn)場暫告一段落，《科創(chuàng)板日報》記者對AI界的“明星”選手——谷歌Gemini 1.5 Pro（100萬tokens）、OpenAI最新升級的GPT-4o與此前發(fā)布的GPT-4進行了一場能力評測。

▍文本測試：谷歌Gemini 1.5 Pro正確率和速度完勝GPT-4o和GPT-4

OpenAI發(fā)布GPT-4已過去一年多，據(jù)介紹，此次推出新旗艦模型GPT-4o的推理能力有明顯的提升，速度快了，價格也下降了。

谷歌Gemini系列以其標志性的超大上下文窗口出名，此前已擁有Ultra、Pro和Nano三種規(guī)格，各適配不同規(guī)模與需求的應用場景。本次發(fā)布會宣布，迭代后的Gemini 1.5 Pro 的上下文長度從原有的100萬tokens（語句單位）提升到了200萬tokens。這一改進顯著增強了模型的數(shù)據(jù)處理能力，使其在處理更加復雜和龐大的數(shù)據(jù)集時更加游刃有余。

兩家公司都對自己的大模型的升級換代展現(xiàn)出自信姿態(tài)，但情況還需要實際驗證。

第一題是“事實回答題”，只有谷歌Gemini 1.5 Pro模型回答正確，它能辨別出“螺絲釘并不是一種食品”這一事實。

Gemini 1.5 Pro回復結果

GPT-4和GPT-4o雖然對“麻辣螺絲釘怎么做”的回答非常詳細和全面，涵蓋了所需材料、制作步驟以及小貼士，但是卻忽略了“螺絲釘并不是一種可食用品”這一前置事實。

GPT-4、GPT-4o回復結果

第二題是“邏輯計算題”，GPT-4和GPT-4o均回答錯誤，谷歌模型給出正確答案，并且顯示了具體作答時間，不到10秒的時間里便給出了答案和解析，表現(xiàn)可謂“又快又好”。

Gemini 1.5 Pro回復結果

不同模型在處理邏輯問題時所采取的思考策略有所差別。與Gemini 1.5 Pro在解答時先給出答案再詳細解釋其背后規(guī)律的方式不同，GPT-4和GPT-4o更傾向于首先深入拆解問題，而非直接呈現(xiàn)答案。然而，這種對問題的細致分析和拆解過程也導致了后兩者在回答時所需的時間相對較長。

GPT-4、GPT-4o回復結果

第三題是“生物題”，GPT-4回答錯誤，GPT-4o和谷歌Gemini 1.5 Pro回答正確，用時分別為14.83秒和11.2秒，Gemini 1.5 Pro略勝一籌。

Gemini 1.5 Pro回復結果

第四題是“倫理道德題”，三個大模型的回答都正確，并且都能識別出是經(jīng)典的倫理困境“電車難題”。GPT-4和 Gemini 1.5 Pro強調(diào)了倫理困境的復雜性，并沒有給出直接的選擇，GPT-4o則根據(jù)“最大限度減少傷亡”的原則進行分析并給出選擇。

三大模型回復結果

《科創(chuàng)板日報》記者總結文本測試結果發(fā)現(xiàn)，谷歌100萬級參數(shù)的Gemini 1.5 Pro模型憑借四次全部正確的表現(xiàn)，實力杠桿，GPT-4o答對了兩次，而GPT-4模型的表現(xiàn)則不盡人意，僅答對了一次。

由于目前200萬級參數(shù)的Gemini 1.5 Pro模型尚未開放，《科創(chuàng)板日報》記者申請了內(nèi)測，等待通過后再做進一步測試分享。

▍多模態(tài)測試：GPT-4o在細節(jié)和分析能力上更勝一籌

GPT-4o是OpenAI對其廣受歡迎的大型多模態(tài)模型GPT-4的第三次重大迭代，它通過視覺功能擴展了GPT-4的能力，新發(fā)布的模型能夠以一種集成且無縫的方式與用戶進行對話、視覺識別和互動。Gemini 1.5 Pro也擁有多模態(tài)功能，適合處理摘要、聊天、圖片分析和視頻字幕、以及從長文本和表格中提取數(shù)據(jù)等。

記者用“公園照片”詢問三個大模型

在測試中，記者用一張“公園照片”來詢問三個大模型。根據(jù)圖片測試反饋，三個大模型都準確地描述了公園照片的內(nèi)容，但側(cè)重點略有不同。GPT-4o勝在信息完整性，詳細列舉了船只類型、湖面狀態(tài)等各種細節(jié)，但略顯冗長。Gemini 1.5 Pro語言簡潔流暢，用“悠閑地泛舟”、“景色宜人”等詞語描繪出畫面美感，但細節(jié)不如GPT-4o豐富。GPT-4描述簡潔，但細節(jié)不夠豐富。

簡而言之，如果看重信息的全面性，GPT-4o最強；若更注重語言表達，則Gemini 1.5 Pro表現(xiàn)略佳。

由于目前GPT-4尚未具備音頻和視頻內(nèi)容的解析能力，所以不做相關測評。OpenAI聯(lián)合創(chuàng)始人Sam Altman表示，新款語音模型GPT-4o尚未發(fā)貨，已經(jīng)發(fā)貨只是文字版GPT-4o。等到語音版一發(fā)貨，記者將第一時間帶來評測。

根據(jù)視頻測試反饋，GPT-4o在解析視頻內(nèi)容時表現(xiàn)出了強大的多模態(tài)處理能力。它能夠提取和分析視頻幀，并通過圖形界面直觀地展示給用戶。在分析過程中，模型準確地識別出了視頻中的四足機器人，并對其外觀、所處的環(huán)境以及所進行的活動進行了詳細的描述。

GPT-4o視頻測試回復

相比之下，Gemini 1.5 Pro的回復則顯得簡略又單調(diào)，在記者第二次追問下，才充實了更多細節(jié)。

總體來看，如果目標是獲取最全面、深入的多模態(tài)內(nèi)容理解，GPT-4o是當前的最佳選擇，而Gemini 1.5 Pro則更適合那些重視表述質(zhì)量與效率的多模態(tài)應用場景。不過，GPT-4o和Gemini 1.5 Pro都沒有提及對視頻里的聲音的分析，這是兩個多模態(tài)大模型解析中的一個共同缺失。

▍前華為“天才少年”預測國內(nèi)第一個端到端多模態(tài)大模型年底將到來

AI比賽行至白熱化階段已經(jīng)告別單純的技術競爭，轉(zhuǎn)向應用和用戶體驗的競爭。

在搜索引擎和辦公領域，谷歌也將進一步將AI引入其中。記者發(fā)現(xiàn)，能夠總結谷歌搜索引擎結果的“AI概覽”（AI Overviews）功能已能夠使用。百度創(chuàng)始人、董事長兼首席執(zhí)行官李彥宏昨晚在財報電話會上表示，目前百度搜索上有11%的搜索結果由AI生成。他指出，百度搜索的AI重構工作仍處于早期階段，整體來看，搜索最有可能成為AI時代的殺手級應用。

OpenAI與谷歌都不約而同地盯上了能自然交互的智能助理，這種智能助理是一個端到端的統(tǒng)一多模態(tài)大模型，將推動AI應用的革命性變化。

前華為“天才少年”、Logenic Al 聯(lián)合創(chuàng)始人李博杰認為，國內(nèi)第一個多模端到端多模態(tài)，很有可能今年年底就能差不多能出來了。

針對AI Agent近期的發(fā)展速度放緩的問題，李博杰表示，“雖然AI智能助理的發(fā)展前景廣闊，但成本和用戶的付費意愿是目前限制其快速發(fā)展的主要因素。GPT-4o它比GPT-4快4倍，并將成本降低了一倍，但是對于普通消費者來說可能仍然較貴?！?/p>

李博杰稱，從長期來看，實用性強的智能助理因其解決現(xiàn)實問題的能力而具有更高的價值。而短期內(nèi)，情感陪伴和娛樂功能的智能助理更容易商業(yè)化，因為它們對可靠性的要求較低，開發(fā)和部署相對容易。