電子發(fā)燒友網(wǎng)報道（文/李彎彎）大模型技術正在快速發(fā)展，大模地面并在不同領域取得顯著進展。型端如在設計領域，側(cè)迅近日消息，速落騰訊混元大模型文生圖已經(jīng)深度應用在B端和C端，臨挑此外，大模地面騰訊混元大模型還可以做圖生視頻、型端視頻生視頻等，側(cè)迅為設計領域帶來了更多可能性。速落

大模型技術正在向更多行業(yè)滲透。臨挑例如，大模地面在金融、型端消費、側(cè)迅互聯(lián)網(wǎng)等領域，速落大模型技術已經(jīng)開始被應用于數(shù)據(jù)分析、臨挑客戶服務、產(chǎn)品推薦等方面。通過利用大模型技術，企業(yè)可以更加精準地了解客戶需求，提高服務質(zhì)量和效率。

大模型在設計領域進展迅速

“大模型加速產(chǎn)業(yè)進入全新智能時代，正成為推動科技創(chuàng)新、產(chǎn)業(yè)升級、生產(chǎn)力躍遷的重要驅(qū)動力量。”騰訊設計杰出專家、騰訊混元產(chǎn)品負責人陳妍妍近日談到。

在她看來，從大模型的能力來看，各行業(yè)對大模型有著三大共性需求，包括內(nèi)容生成與創(chuàng)意設計、信息提煉與專業(yè)輔助、任務調(diào)度與智能交互及情感陪伴等。她認為，設計行業(yè)的應用就是大模型落地的一個代表性的領域。從文生圖、文生視頻到文生3D，多模態(tài)探索是騰訊混元大模型等國產(chǎn)大模型的重要發(fā)展方向。

大模型在設計領域的應用進展十分迅速。騰訊的混元大模型在設計領域就展示了其強大的能力。在文生圖方面，騰訊的混元大模型尤其注重本土化，能夠在很多應用場景中利用中國的歷史和文化元素，這在國際市場上具有獨特的優(yōu)勢。同時，騰訊的混元大模型已經(jīng)深度應用于B端和C端，如創(chuàng)意廣告、人像風格化等領域。

在文生視頻方面，騰訊的混元大模型已經(jīng)能夠?qū)崿F(xiàn)將視頻拉長的功能，從之前的4秒擴展到現(xiàn)在的16秒，這展示了其在視頻生成和處理方面的能力。此外，該模型還可以進行圖生視頻、視頻生視頻等應用，為設計領域提供了更多的可能性。

雖然文生3D在現(xiàn)階段的應用還不夠廣泛，但騰訊已經(jīng)提前進行了一些研究。這種技術生成的模型具有可編輯性，可以導入到3D編輯工具中進行重新調(diào)整，這為未來的3D人物應用提供了基礎。

從技術升級與開放方面來看，騰訊的混元大模型不斷進行技術升級，目前已擴展至萬億級參數(shù)規(guī)模。為了推動技術的發(fā)展和應用，騰訊計劃將文生圖能力進行開源，這將有助于降低技術門檻，促進更多的開發(fā)者和藝術家利用大模型進行設計創(chuàng)作。

大模型落地端側(cè)成布局重要方向

過去一年多時間，大模型技術快速發(fā)展，其在端側(cè)的應用落地也進展迅速。如在智能語音助手方面，大模型可以集成到智能語音助手中，使其能夠更好地理解和處理自然語言。這使得用戶可以通過語音與設備進行更自然和便捷的交互。智能語音助手已經(jīng)成為手機、智能家居設備等端側(cè)設備的標配功能，為用戶提供了更加智能化的服務體驗。

在圖像識別與處理當面，端側(cè)設備可以利用大模型進行圖像識別和處理。例如，在移動設備上進行實時的人臉識別、物體識別或圖像增強等操作。這種技術已經(jīng)廣泛應用于手機相機、安防監(jiān)控、自動駕駛等領域，為用戶提供了更加便捷和高效的圖像處理體驗。

基于大模型的個性化推薦系統(tǒng)也可以在端側(cè)應用中實現(xiàn)。通過分析用戶的興趣和行為，系統(tǒng)可以為用戶推薦符合其喜好的內(nèi)容、商品或服務。這種技術在電商、社交、新聞等領域得到了廣泛應用，提高了用戶滿意度和轉(zhuǎn)化率。

大模型還可以用于實時語音翻譯或文本翻譯，使得用戶能夠在不同語言之間進行無縫交流。這種技術在跨國交流、在線教育、旅游等領域具有廣泛應用前景，為用戶提供了更加便捷的溝通方式。

在硬件和計算技術方面，為了支持大模型在端側(cè)的應用，出現(xiàn)了許多新的解決方案。例如，使用邊緣計算技術將計算任務從中心服務器下沉到設備的邊緣，使設備能夠更快速地處理數(shù)據(jù)和計算任務。這有助于減輕端側(cè)設備的計算負擔和能源消耗，提高響應速度和用戶體驗。

此外，還有一些研究工作致力于優(yōu)化大模型的訓練和推理過程。例如，使用增量學習、遷移學習等技術對大模型進行微調(diào)，使其更適合特定任務和場景。這些技術能夠降低模型的復雜度和參數(shù)數(shù)量，提高模型的精度和效率，從而更好地適應端側(cè)設備的性能限制。

當然，大模型在端側(cè)的應用也面臨一些挑戰(zhàn)，如在性能和精度平衡方面，端側(cè)設備通常具有有限的計算資源和存儲空間，無法直接運行大模型。因此，需要對大模型進行壓縮、剪枝、量化等技術處理，以減小模型的大小和計算復雜度，使其適應端側(cè)設備的性能要求。然而，這些技術處理可能會降低大模型的性能和精度。如何在保持模型精度的同時降低其復雜度和大小，是端側(cè)應用面臨的一個重要問題。

還有，端側(cè)設備的電池容量有限，長時間的模型推理會消耗大量的能源，縮短設備的續(xù)航時間。如何在保證模型性能的同時降低能源消耗，是另一個需要解決的問題。

另外，與云端模型不同，端側(cè)模型的部署和升級更為復雜。一旦模型出現(xiàn)問題，不像云端那樣可以通過簡單的部署和代碼更新來解決。端側(cè)模型的維護和升級成本相對較高，需要更多的技術支持和人力投入。

寫在最后

如何推進大模型落地應用已經(jīng)成為當下重點關注的話題，如今，無論是終端公司、算法公司，還是芯片公司等都在積極為大模型在終端側(cè)的落地應用而努力。

從上文可以看到，雖然仍然存在一些挑戰(zhàn)，不過不難看出，大模型在斷側(cè)的應用前景十分廣闊，相信隨著技術的不斷發(fā)展和應用場景的不斷拓展，大模型將在端側(cè)應用中發(fā)揮越來越重要的作用，為人們帶來更加智能化、便捷化和個性化的服務。