近日，能“一口气读完20万字小说”的AI大模型应用Kimi再次为国内AI产业添了一把火。业内认为，国产大模型能力提升或成今年国内AI领域最核心的主线。超长上下文是主要突破口吗？大模型还将如何提升能力？

　　在3月24日举行的2024全球开发者先锋大会大模型前沿论坛上，阿里通义、腾讯混元、稀宇科技MiniMax ABAB、商汤商量、书生·浦语五个大模型的技术负责人罕见“同框”， 共同探讨未来大模型的技术演进方向。

　　超长上下文成国产大模型新竞逐焦点

　　3月18日，月之暗面公司宣布Kimi智能助手启动200万字无损上下文内测。2023年10月，Kimi初次亮相时其处理能力还只有20万字。也就是说，Kimi只用了不到半年，就将上下文处理能力提升了一个数量级。

　　月之暗面介绍称，大模型无损上下文长度的数量级提升，能进一步打开对AI应用场景的想象力，包括完整代码库的分析理解、可以自主帮人类完成多步骤复杂任务的智能体、不会遗忘关键信息的终身助理、真正统一架构的多模态模型等。

　　消息发布后，Kimi访问量激增，一度无法正常使用。连日来，Kimi还带“红”一众A股“Kimi概念股”。以超长上下文处理能力为突破口，Kimi成为国内出现“百模大战”以来为数不多的“破圈者”。

　　Kimi迅速走红后，阿里宣布“通义千问”将向所有人免费开放1000万字的长文档处理功能，可以帮助用户快速读研报、分析财报、读科研论文、研判案情、读医疗报告、解读法律条文、分析考试成绩、总结深度文章。360智脑也宣布正式内测500万字长文本处理功能，该功能将入驻360AI浏览器。

　　事实上，从2023年下半年开始，大模型支持的上下文长度就快速增长，从早期GPT-3的2K，到今年3月提升到1M。

　　“更长的上下文意味着什么，是我们需要思考的。”上海人工智能实验室首席科学家林达华介绍说，2K的上下文能力支持日常聊天、知识问答、短文理解；32K支持拟人对话、长文分析、代码解释及编写；100K支持处理长报告及短篇小说、智能体长时间交互、简单的软件及网站构建；1M支持处理长篇小说、直接注入小型知识库、项目级代码分析与构建。

　　长文本能力仍存局限性

　　林达华认为，直接使用上下文面临两个基本问题：一是超长上下文的推理计算代价高昂；二是上下文本身对信息不会进行压缩，不能直接捕捉其中的深层知识和规律。

　　上海人工智能实验室青年科学家陈恺认为，目前业内对于长文本的评测方式是“大海捞针”，也就是从超长文本中找出一个信息，很多模型在这样的测试中能做到接近100%的准确率。

　　陈恺说：“但如果把模型换到更接近真实的使用场景里，需要模型找一些碎片化信息并把它们联系起来，模型的能力和准确率会大幅下降。这和其他模型的应用能力类似，业内要继续关注模型的泛化性和实际应用能力。”

　　此外，业内也有声音质疑超长上下文的技术水平和价值。月之暗面方面称，公司为了实现更好的长窗口无损压缩性能，研发和技术团队从模型预训练到对齐、推理环节均进行了原生的重新设计和开发，不走“滑动窗口”“降采样”等技术捷径，攻克了很多底层技术难点。

　　达观数据副总裁王文广接受上海证券报记者采访表示：“从创新点来看，Kimi显示出了其在无损阅读方面的巨大潜力，超长文本上下文的输入为内容创作和整理提供了技术基础。但从技术本身来说，这只是个噱头，既没有对模型能力提升带来什么帮助，本身也没什么难度。”

　　达观数据是专注智能文本处理的国家级专精特新“小巨人”企业。2023年7月，达观数据对外发布“曹植”大语言模型应用公测版，“曹植”具有长文本、多语言、垂直化三大特点。

　　王文广说：“从Kimi的走红来看，接下来‘百模大战’会更加喧嚣，很快会有大模型厂商推出具有千万字甚至上亿字处理能力的模型。未来，大模型领域可能还会出现有噱头、技术难度不高的宣传点。但真正的产业应用，还是要静下心来，一步一个脚印提升模型能力，一点一滴来解决产业上的问题。”

　　五大模型“主创”共论技术演进方向

　　除了上下文长度，国产大模型还有哪些能力提升路径？下一步如何更大限度地发挥“模”力？

　　阿里通义算法负责人周畅认为，合成数据会在未来大模型训练中扮演更重要的角色。合成数据是一种模仿真实世界数据的非人工创建的数据。

　　“通过使用合成数据，语言模型和多模态模型有望仅靠‘自己’便获得能力提升。升级数据处理能力将是提升模型研发水平的重要方向之一。”周畅说。

　　对于如何让模型本身深度参与迭代，陈恺表示，参照研究人员研发中需具备的能力，如果模型具备较强的数学能力、编程能力和头脑风暴能力，并很好地将几种能力结合起来，就能向“自我提升”的临界点迈进。

　　腾讯混元大模型算法负责人康战辉提到，目前，头部厂商的模型架构都在转向混合专家模型。混合专家模型即将大型模型拆分为多个较小的专家模型，每个专家模型负责处理特定的任务或数据子集。

　　在康战辉看来，未来，参数量较小的模型可能在应用端表现出更高效率和“性价比”，全模态输入输出的大模型将是下一阶段研究目标。

　　大模型的技术演进一方面旨在进一步提升能力，另一个重要方向是如何在现实场景中更好用。

　　稀宇科技技术副总裁安德森认为，人完成各种各样的工作时，并不是仅靠自己的大脑，而是靠大脑加上各种外部的工具。所以，大模型在落地应用的时候也要考虑把大模型和其他工具，包括其他模型结合在一起，使其更加便利。

　　商汤科技大装置执行总监成功表示，大模型的基础能力已在很多场景落地，但在实践中，模型的推理能力，包括规划执行能力等仍需重点突破。同时，他强调关注效率和成本，模型能以更低成本、更快触达应用始终是技术发展的重要目标。