本周 AI 不得了！OpenAI 的 Sora“模拟世界”、Gemini 1.5“10M 上下文”、Mistral 的开源新贵同日出现

昨天是 AI 发展的其中一天，但似乎所有事情都同时发生。简而言之，你需要了解这些内容：

1. OpenAI 发布了他们的视频生成模型 Sora。它非常出色。
2. 谷歌发布了 Gemini 1.5 Pro，性能接近 1.0 Ultra，并且文本长度几乎无限（最多可达 1 千万 tokens）。
3. 在 ChatBot Arena 平台中发现了一个名为 Mistral-Next 的模型，暗示其即将发布。初步测试表明，它至少是一个可靠的模型。

这篇文章将尽量从技术角度总结我们所知道的情况。

Sora：OpenAI 的文字视频模型

我们早就知道它会出现。但我还是被它的出色表现震惊了。你需要看一些人工智能生成的视频。OpenAI 发布了 Sora，山姆·奥特曼花了一整天时间在推特上分享其神奇世代的视频。当天晚些时候，OpenAI 发布了一篇技术性稍强的博文，证实了人们所关注的大部分传言。

简而言之，Sora 是视觉转换器（ViT）和扩散模型的组合。视觉转换器和 Sora 数据处理背后的核心理念似乎是将视频片段嵌入一个名为 "patch"的潜在空间，然后将其作为一个 token。

引自 OpenAI 博客：

Sora 是一个扩散模型；在输入噪声 patches（以及文本提示等条件信息）的情况下，经过训练，它可以预测原始的 "干净 "patches。重要的是，Sora 是一个扩散变换器。变换器在语言建模、计算机视觉和图像生成等多个领域都表现出卓越的扩展特性。

在这项工作中，我们发现扩散变换器作为视频模型也能有效扩展。

博文中提到了很多有趣的东西，但都不是真正重要的东西，比如模型大小、架构或数据。对我来说，数据几乎肯定是一大堆 YouTube 和一些程序化生成的视频（来自游戏引擎或其他自定义的东西，稍后详述）。需要知道的事情：

• 他们在多种分辨率（大多数多模态模型都固定在 256x256 等分辨率）上进行训练，包括 1920x1080p 横向或纵向分辨率。
• "我们将重新字幕技术引入 DALL-E 3 图像生成器，应用于视频"。这包括两点：
  • 让语言模型对提示进行调解对于获得良好的输出结果仍然非常重要。除非有必要，否则人们不会这么做。我认为这最终会通过更好的数据控制来解决。
  • 更重要的是，这与他们的 "高度描述性字幕机模型"（将视频转换为文本）相关联，而这是为数据提供标签所必需的。这证实了基本的 GPT4 可以做到这一点，或者 OpenAI 还有许多其他最先进的模型隐藏在里面。
• Sora 还能通过接收图像输入来完成动画、编辑和类似操作。
• Sora 可以通过视频输入进行视频编辑。

推特上的一个 ML 的匿名账户挖出了一篇类似架构的论文。我将架构图复制如下。

Sora 最令人印象深刻的特点是它能够逼真地模拟物理世界（OpenAI 将其描述为 "新兴的模拟能力"）。在此之前，还没有任何文字视频模型能与之相媲美。几周前，谷歌的 Lumiere 刚刚问世，给人留下了深刻印象，但与 Sora 相比，它显得非常逊色。

有很多传言说，神经辐射场（NeRFs）是一种流行的图像 3D 重构技术，它可能会根据视频的特征（就像物理世界一样）在引擎盖下使用，但我们没有明确的证据证明这一点。我认为这是程序生成的游戏引擎内容。仅仅使用游戏是不够的，你需要一种生成数据多样性的方法，就像所有合成数据一样。我们在 HuggingFace 为 RL 代理构建的数据就是一个很好的例子。数据的多样性可能会在生成过程中释放出另一个层次的性能——我们在大型模型中经常看到这种情况。

所有关于 Pika 和 Runway ML（其他流行的 ML 视频初创公司）死亡的评论都完全是夸大其词。如果进步的速度如此之快，那么我们还有很多转弯。如果最佳模型来得快去得也快，那么最重要的就是用户接触点。这一点在视频领域还没有建立起来，而且，MidJourney 还在依赖 Discord（不过，用户体验还很不错）！

Gemini1.5：谷歌的有效无上限文本长度

在 Sora 发布前几个小时，谷歌已经发布了 Gemini 的下一个版本，令所有人震惊。这可能会给人们使用 LLMs 的方式带来的直接变化，可以说比 Sora 视频更有影响力，但 Sora 的视觉演示质量令人着迷。

总结：

• Gemini 1.5 Pro 的性能接近 Gemini 1.0 Ultra，但单位参数效率更高，并增加了 混合专家系统（MoE）作为基本架构。
• Gemini 1.5 Pro 文本长度可扩展至 1 千万。作为参考，当 OpenAI 将 GPT4 增加到 128k 时，这就是件大事。一千万几乎没有任何意义——它又不是变形金刚。但它能接收的信息量远远超过普通 ChatGPT 用户的想象。

谷歌可能找到了某种新方法，将长上下文的架构理念与他们的 TPU 计算堆栈相结合，并取得了很好的效果。据 Gemini 长语境的负责人之一 Pranav Shyam 说，这个想法几个月前才刚刚萌芽。如果以小版本（v1.5）而不是 v2 发布，肯定会有更大的发展空间。

作为一个思想实验，围绕 Gemini 1.5 的交流告诉你，你可以在模型的上下文中包含整个生产代码库（参见 Google 提供的示例）。这对于那些还没有流行到会为下一个 GPT 版本而被搜刮成百上千次的库来说，确实能改变它们的命运。作为一款企业工具，它价值连城。他们将 一千万个 tokens 可视化为多少内容，这可是一大笔财富。想想 3 小时的视频或 22 小时的音频在没有分割或损失的情况下被一个模型处理。

需要明确的是，付费的 Gemini 用户很快就能使用 100 万文本长度（类似于 ChatGPT plus 计划），而技术报告中也提到了 1000 万窗口。我认为，目前保留它更多的是出于成本考虑。任何模型的计算量都很大。

这个关于上下文长度的数字让我伤透了脑筋。最长的上下文窗口更精确。

看到这一点，我们就会明白，这个模型并不是一个变形器。它有办法通过非注意力模型路由信息。很多人提到了 Mamba，但更有可能的是谷歌利用优化的 TPU 代码实现了自己的模型架构。Mamba 附带特殊的 Nvidia 内核和集成。

这让我对未来感到非常兴奋，因为在未来，我们与之交互的模型会将计算分配给专门从事不同任务的子模型。我预计，如果我们看到 Gemini 1.5 Pro 架构图，它会更像一个系统，而不是普通的语言模型图。这就是研发阶段的样子。

著名的快速工程师 Riley Goodside 曾分享过这种类型的变化：

这里有很多含义。既然可以 100K-shot，为什么还要 [监督微调]？如果有了语法和字典，它就能翻译 Kalamang 语，那么正确的词语又能教会它什么呢？

从根本上说，这意味着我们现在可以直接告诉模型如何在上下文中行动。微调不再需要能力。我认为这将会产生协同效应，而且当推理达到一定规模时，微调的成本会更低，但这还是令人兴奋的。

更多信息，请参阅谷歌 Gemini 1.5 博客文章或技术报告。

最后，Perplexity 公司的首席执行官在接受采访时说，谷歌把他想聘用的人的待遇提高了四倍。这太疯狂了，我不知道这对谷歌来说是看涨还是看跌的信号。

Mistral-next： 另一种有趣的发布方式

如果这还不够的话，还有人告诉我，在 LMSYS 竞技场上，还有另一款 Mistral 型号在偷偷地聊天。我听说过另一款机型即将推出的传言，但这款机型显然更加真实。基本测试表明它是一款强大的机型。当然，Twitter 的暴民们现在会去举办更多的 vibes-evals 活动，但 Mistral 会很快告诉我们的。我猜这就是他们基于 API 的 GPT4 竞争对手。

原来它是一周前添加的，所以隐藏得很好。

本文主要翻译自 Interconnects 文章《OpenAI’s Sora for video, Gemini 1.5's infinite context, and a secret Mistral model》，原文作者 Nathan Lambert