近日,在OPPO小布助手的官方微博上,小布对外宣布微博将交由即将发布的全新小布“代运营”,并接连发布了多条全新小布生成的微博文案,呼吁网友们对即将于11月16日开幕的2023 OPPO开发者大会(ODC)保持紧密关注。届时,搭载大模型能力的全新小布助手将正式亮相,同样值得关注还有安第斯大模型(AndesGPT)的重磅推出。
大模型+智能助手
从技术变革到体验变革
OpenAI首届开发者大会的举办,让大模型再次成为话题的风口浪尖。作为国内顶尖的智能终端厂商,OPPO在大模型和AIGC领域全面发力,行业和大众都给予了极高的期待。
作为OPPO自主训练的大模型,AndesGPT以“端云协同”为基础架构设计思路,包含了一系列不同参数规模的大语言模型,从十亿起步,最高可多达千亿级,可支撑多元化的应用场景,实现在本地与云端协同运作的效果,更强调实用性与用户体验提升。
OPPO小布助手作为跨终端、多模态的对话式智能助手,是大模型能力为用户创造使用价值、突破场景新体验的最佳实践场。依托于近5年的技术积累,OPPO在对话交互技术方面已处于行业第一梯队,小布助手是国内手机行业最早月活破亿的同类产品,用户交互产生的真实对话场景海量数据是大模型时代最宝贵的养料。
AndesGPT通过引入高质量的知识图谱、QA问答数,并结合对预训练和指令精调技术的优化,大模型知识与百科能力的覆盖面和准确性得到了显著提升,可让小布实现自然流畅与专业可靠的对话问答。
与此同时,依托对全球6亿用户的服务,OPPO已完成端云用户画像、情境感知等相关基础数据的积累。在AndesGPT的技术加持下,OPPO面向智能终端革新技术架构设计,提供端云协同、端云互补、端云协作等多种工作模式,实现隐私相关的计算放在端侧,隐私无关的计算放在云端,在保障用户隐私安全的前提下提供个性化可定制的专属体验。
由此可见,AndeGPT可持续赋能小布助手AI能力进化,进而为用户打造更强的知识问答能力、个性专属服务和安全使用体验,在技术革新基础上更上一层楼,实现用户体验的全面革新。
AndesGPT加持
全新小布更智能、更有用
早在今年8月中旬,OPPO就预告了小布助手将接入大模型能力,并于10月官宣开放基于AndesGPT打造的新小布1.0 Beta版,邀请用户尝鲜体验超级问答、用机助手、内容创作等能力。
在公测版本中,基于大模型能力升级的小布助手,在对话问答方面表现出了更强的语义理解和自然对话能力,实现了更流畅、更自然、知识面更广的问答对话。在手机操作上,全新小布助手支持自然语言调用手机系统功能,可同时输入多个指令完成任务,提高了用机的便捷性和友好度。在内容生成创作方面,小布助手已能够创作多元化的内容,包括演讲稿、策划案、SWOT分析、短视频脚本、朋友圈文案与餐厅点评等。
总的来说,在这场大模型掀起的技术革新中,智能助手作为核心交互入口的价值愈加突显。牵动更多场景、能力与服务的小布助手,在未来大模型能力的应用落地上,具有极大的想象空间,极有可能发展为全域新入口和超级助理,为用户带来全面的体验革新。那么,全新小布助手究竟会带来哪些惊喜,我们共同期待11月16日OPPO开发者大会!
好文章,需要你的鼓励
这项研究提出了ORV(占用中心机器人视频生成)框架,利用4D语义占用作为中间表示来生成高质量的机器人操作视频。与传统方法相比,ORV能提供更精确的语义和几何指导,实现更高的时间一致性和控制精度。该框架还支持多视角视频生成(ORV-MV)和模拟到真实的转换(ORV-S2R),有效弥合了虚拟与现实之间的差距。实验结果表明,ORV在多个数据集上的表现始终优于现有方法,为机器人学习和模拟提供了强大工具。
这项研究由Writer公司团队开发的"反思、重试、奖励"机制,通过强化学习教导大型语言模型生成更有效的自我反思内容。当模型回答错误时,它会生成反思并二次尝试,若成功则奖励反思过程。实验表明,该方法在函数调用和数学方程解题上带来显著提升,最高分别改善18.1%和34.7%。令人惊讶的是,经训练的小模型甚至超越了同家族10倍大的模型,且几乎不存在灾难性遗忘问题。这种自我改进技术为资源受限环境下的AI应用开辟了新方向。
FuseLIP是一项突破性研究,提出了通过早期融合离散标记实现多模态嵌入的新方法。与传统CLIP模型使用独立编码器不同,FuseLIP采用单一编码器同时处理图像和文本标记,实现了更自然的模态交互。研究证明,这种早期融合方法在多种多模态任务上表现优异,特别是在需要理解图像结构而非仅语义内容的任务上。研究还开发了创新的数据集和评估任务,为多模态嵌入研究提供了宝贵资源。
ByteDance与浙江大学合作开发的MERIT是首个专为多语言多条件语义检索设计的基准数据集,包含320,000条跨5种语言的查询和135,000个产品。研究发现现有模型在处理多条件查询时过度关注全局语义而忽略特定条件元素,为此提出CORAL框架,通过嵌入重建和对比学习相结合的方式,使检索性能提升45.9%。这项研究不仅识别了现有方法的关键局限性,还为多条件交错语义检索领域的未来研究奠定了基础。