首页 > AI教程 >商汤发布流式多模态大模型对标GPT-4o，首燃人机交互革命

商汤发布流式多模态大模型对标GPT-4o，首燃人机交互革命

来源：互联网 2026-07-10 06:25:07

AI资讯合集

商汤在世界人工智能大会发布流式多模态大模型日日新5o，实现实时语音与视觉交互，对标GPT-4o。同时推出可控人物视频生成模型Vimi，并升级日日新5.5，性能提升近30%，通过端云协同大幅降低推理成本。

在上海举办的世界人工智能大会（WAIC）上，国内大模型公司纷纷展示最新成果，这场盛会犹如一场关键的“年中考试”。各家企业都竞相亮出最新进展。

2023年“百模大战”期间，各家企业主要比拼参数性能。进入AI 2.0的“应用元年”，每家公司都基于自身对AI应用和大模型技术的“非共识”理解，探索差异化发展路径。

年初大模型价格战将API价格彻底拉低后，市场上已少见针对单一因素不计代价的发力。纵观今年WAIC各家大模型公司的新品发布会，单纯强调模型参数的宣讲占比逐渐减少，取而代之的是更多产品特性、生态构建等差异化内容，各家企业均在应用层寻找切实落地方案。

那些仍在快速迭代模型性能的公司，也不再局限于测评集比拼，而是更多依托自身技术路径的特点，力图推出令人眼前一亮的产品。

5月份，OpenAI和谷歌几乎同时发布了基于原生多模态大模型的最新作品——GPT-4o和"Project Astro"。两者通过原生多模态能力，让用户借助声音和摄像头与模型进行自然、低延迟的互动，试图重塑人机交互范式。商汤是国内首家跟进此趋势的大模型公司，基于自身原生多模态基础模型，迅速推出"日日新5o"，并将其定义为国内首个所见即所得模型，旨在带来全新的实时流式多模态交互体验。

回顾计算机发展史，每次人机交互的“平台级”革命最终都催生了载入史册的产品与公司。图形化交互界面助微软成为科技巨头，Windows成为PC灵魂；iPhone开启移动互联网时代，让苹果成为最受欢迎也最赚钱的科技公司。背后逻辑清晰——这或许正是OpenAI和谷歌不约而同持续推动大模型技术向多模态方向迭代的原因。

商汤发布会内容丰富，涵盖智能驾驶端到端更新突破、可控视频生成最新产品、医疗行业落地实例及出海举措，信息量巨大。但日日新5o的发布，或许会成为五年甚至十年后仍被不断回忆、开启新时代的时刻。

硬刚GPT-4o的流式多模态大模型

工作人员刚与"日日新5o"打招呼，它便自动识别出对方脖子上胸卡带子上的字样，判断出这是世界人工智能大会现场，表示在此可以“好好学习”。

商汤发布流式多模态大模型对标GPT-4o，首燃人机交互革命

现场拍摄

接着工作人员拿出一只小狗玩偶，"日日新5o"准确描述了其外貌、表情，并特别注意到头戴的印有商汤科技logo的白帽子，给足主场人面子。

商汤发布流式多模态大模型对标GPT-4o，首燃人机交互革命

现场拍摄

再增加难度——随手翻开一本书任意一页，"日日新5o"可自动介绍，并非简单OCR识别文字，而是识别图文后生成易于理解的总结，这一切瞬间完成，实现真正实时交互。

商汤发布流式多模态大模型对标GPT-4o，首燃人机交互革命

现场拍摄

体验“画功”环节时，工作人员随手画了一只简笔画小兔子，"日日新5o"直呼可爱。随后又画了一个微笑表情，它从平静表情中捕捉到笑意；工作人员将嘴巴画大并添上舌头，"日日新5o"立即捕捉到变化，表示这表情开心多了。

在商汤展台，有参观者怀疑固定玩偶和书本可能提前安排，随机拿出自己带的一瓶矿泉水让模型识别。模型毫不费力地识别出这是喝了一半的农夫山泉。

商汤发布流式多模态大模型对标GPT-4o，首燃人机交互革命

现场拍摄

接着，观众又随手翻开书本让模型归纳内容，日日新5o依旧对答如流。这些功能均基于商汤训练的原生多模态大模型能力——它能实时快速处理多模态数据，使人与AI的交互无比流畅。商汤也首次用中文界定了类似GPT-4o的交互方式——流式原生多模态交互模型。

WAIC镇馆之宝——Vimi视频生成模型

除流式多模态大模型展示外，商汤还带来了视频生成领域最新成果——Vimi。

商汤发布流式多模态大模型对标GPT-4o，首燃人机交互革命

官方提供

Vimi基于日日新5.5能力打造，是首个可控人物视频生成大模型。只需一张任意风格照片，普通用户即可生成长达1分钟的视频。“人物可控”一直是大模型生成难题，连Sora都难以精准控制动作，连续性欠佳，人物五官和细节易出现畸变。但Vimi不同，它能精确控制人物面部表情和半身像自然姿态，还能自动生成与人物匹配的头发、服装和背景变化，视频时长可达分钟级别。

官方演示中，一张自己的照片即可变身冰雪女王。

商汤发布流式多模态大模型对标GPT-4o，首燃人机交互革命

官方提供

官方还使用Vimi将图灵、香农等计算机发展史上的大咖“复活”，人物运动时五官特征保持良好。

性能大幅升级，端云协同将大模型成本彻底打下来

除点出两个新方向外，日日新5.5在短短两个月内再次迭代，性能提升近30%。在各大测试集上，日日新5.5重新占据领先位置。

商汤发布流式多模态大模型对标GPT-4o，首燃人机交互革命

官方提供

短时间内模型能力大幅提升，主要源于训练数据更新。据商汤透露，他们使用了超过10TB tokens训练数据，包含大量人工合成数据，数据构造从基本文本知识转向合成思维链数据，使模型在数学、推理、长文本、编程等多个维度均有显著提升。

除利用全新合成数据“增效”外，商汤在“降本”方面也取得突破。模型采用混合端云协同架构，最大限度发挥云边端协同优势，大幅降低推理成本，让用户以更低成本获得更优大模型使用体验。端侧模型日日新5.5 Lite在性能指标各维度上也全面升级，速度更快，支持在智能手机、平板电脑、PC、车舱一体机等设备部署应用。

基于手机旗舰平台，5.5 Lite首次安装耗时仅0.19秒，较上一版本减少40%；推理速度提升15%，达到每秒90.2个汉字的处理速度。此外，商汤还推出了端侧模型矩阵，包括商量Mini写作助手、总结助手和百科助手等定制模型，在相应场景中性能更优，满足客户复杂业务场景需求。对用户而言，端侧模型使用成本几乎可忽略不计。

商汤发布流式多模态大模型对标GPT-4o，首燃人机交互革命