Hume AI 推出 EVI 2 情感模型；OpenAI o1 模型问世，模拟人类思考问题 丨 RTE 开发者日报

开发者朋友们大家好：

这里是 「RTE 开发者日报」 ，每天和大家一起看新闻、聊八卦。我们的社区编辑团队会整理分享 RTE（Real-Time Engagement） 领域内「有话题的新闻」、「有态度的观点」、「有意思的数据」、「有思考的文章」、「有看点的会议」，但内容仅代表编辑的个人观点，欢迎大家留言、跟帖、讨论。

本期编辑：@SSN，@鲍勃

01有话题的新闻

1、OpenAI o1 模型问世：开启 AI 通用复杂推理新篇章，模拟人类思考、处理问题

OpenAI 传闻中的「草莓」（Strawberry）AI 模型现已面世，正式名称为「o1」，是该公司首款具备「推理」能力的模型。

OpenAI 表示对该模型进行特殊训练，能够比人类更快地回答更复杂的问题。与之同时发布的还有 o1-mini，一个更小、成本更低的版本。

OpenAI 表示 o1 模型的发布，是其迈向类人 AI 宏伟目标的关键一步。该模型目前处于「预览」阶段，官方强调该模型相关开发尚处于初期阶段，相比较 GPT-4o 模型，使用成本更高且速度更慢，但在编写代码和解决多步骤问题方面表现更为优秀。

• 价格

OpenAI 公司表示从今天起，ChatGPT Plus 和 Team 用户将可访问 o1-preview 和 o1-mini，而 Enterprise 和 Edu 用户则将在下周初获得访问权限。

OpenAI 表示计划将 o1-mini 的访问权限扩展至所有 ChatGPT 免费用户，但尚未确定发布日期。

开发者获取 o1 的访问权限成本相当高昂：如果调用 API，o1-preview 的输入词元（tokens）费用为每百万个成本 15 美元（当前约 107 元人民币），输出词元费用为每百万个 60 美元（当前约 427 元人民币）。

相比之下，GPT-4o 的输入词元费用为每百万个 5 美元（当前约 35.6 元人民币），输出词元费用为每百万个 15 美元（当前约 107 元人民币）。因此 o1 模型输入词元费用提高了 2 倍，输出词元费用提高了 3 倍。

• 训练方式

OpenAI 的研究负责人 Jerry Tworek 表示，o1「采用了全新的优化算法和专门为其定制的训练数据集进行训练。」并他并未透露具体细节。

报道称 OpenAI 在训练 o1 模型中使用一种称为强化学习（reinforcement learning）的技术，来自行解决问题，该技术通过奖励和惩罚来教导系统。随后，o1 采用「思维链」来处理查询，类似于人类通过逐步推理来解决问题的方式。

由于采用了这种新的训练方法，OpenAI 表示模型应该会更加准确。

Tworek 表示：「我们不能说已经解决了幻觉问题，但至少从观测的结果来看，这个模型产生的幻觉明显减少」。

• 模型优势

o1 模型与 GPT-4o 的主要区别在于，它能够比前代更好地处理复杂的编程和数学问题，并能解释其推理过程，这是 OpenAI 所强调的。OpenAI 的首席研究官 Bob McGrew 表示：「这款模型在解答 AP 数学考试题目上的表现无疑比我更出色，而我大学时还辅修了数学。」

他提到，OpenAI 还让 o1 参加了国际数学奥林匹克竞赛的资格考试，GPT-4o 仅正确解决了 13% 的问题，o1 模型能够解决 83% 的问题。

在名为 Codeforces 竞赛的在线编程比赛中，这一新型模型达到了参赛者中的第 89 位，OpenAI 声称该模型的下一次更新将在物理、化学和生物学中的挑战性基准任务上表现「与博士生相当」。

同时，o1 在许多领域的能力不及 GPT-4o。它在世界事实知识方面的表现也不如后者。此外，它不具备浏览网页、处理文件和图像的能力。尽管如此，该公司认为它代表了一类全新的功能。将其命名为 o1，意在表明「将计数器重置回 1」。（IT 之家）

2、Hume AI 推出 EVI 2 全新的基础语音到语音模型，可进行极其人性化的语音对话

Hume AI 推出的全新语音对话基础模型：EVI 2 ，能够与用户进行极其人性化的语音对话。它可以快速流畅地回应，识别并生成各种语调，并满足个性化的需求，例如调整语速或模仿说唱风格。EVI 2 具备多语言能力，能够模仿多种性格、口音和说话风格。

EVI 2 专注于情感智能，能够根据用户的偏好和需求进行适应和调整，使其语音和个性更加愉悦和有趣。它已经开放了 Beta 版本供公众使用，开发者可以通过 API 将其集成到应用程序中。

Hume AI 强调，EVI 2 不支持直接的语音克隆，避免了与身份相关的风险，但通过语音调制功能，开发者可以定制个性化的语音，而不涉及克隆技术。（小互 AI）

3、文生图 AI Midjourney 雄心：7.0 版未来 1-2 月登场、开发新图像编辑器、探索 3D 系统、踏足硬件领域

报道称，在最近的「Office Hours」活动中，Midjourney 创始人兼首席执行官 David Holz 在 Discord 分享了当前项目的最新进展，并回答了社区的提问。

• Midjourney 7.0 版本

Holz 更新了 Midjourney 7.0 版本时间表，表示将会在未来 1-2 月内发布。

• 让更多人体验 Midjourney

Holz 表示公司并不急于推出新的 AI 模型，而是提高现有技术的易用性，让工具深入融入到专业人士的日常工作中。

如今，所有用户，包括希望免费体验图像 AI 的用户，都可以通过网页界面进行操作。

• 新图像编辑器

Midjourney 目前还在开发一款图像编辑器，可以让用户利用涂抹和扩展功能编辑外部图像。尚不确定这一功能将整合到现有平台还是作为独立产品推出。该功能的具体时间表尚未公布。

• 3D 系统

Holz 介绍一个更为雄心勃勃的项目中，Midjourney 正在开发一种 3D 系统，让用户能够虚拟地沉浸在 AI 图像中。他们没有采用多边形渲染、NeRFs 或高斯喷射技术，而是创造了一种新的「类 NeRF」格式。该团队由一位在 NeRF 发明中扮演关键角色的人物领导，这让一些人猜测可能是去年加入 Midjourney 的前 Nvidia 研究员 Alex Evans。

• 个性化风格

个性化功能同样位居 Midjourney 新特性之列。该工具旨在根据用户反馈深入了解用户偏好，提供更加个性化的结果。近期，Midjourney 已为专精于动漫角色的 Niji 模型启用了这一功能。

• 探索其它领域

Midjourney 似乎正忙于一系列开发工作。除了图像生成成果外，该公司还计划涉足视频生成领域。据此前报道，Midjourney 不仅在软件方面投入，还积极布局硬件研发。（@IT 之家）

4、安卓版谷歌 Gemini Live 免费上线，开启在线 AI 语音畅聊

据报道，谷歌在 1 个月前面向 Advanced 订阅用户推出后，正逐步面向所有安卓用户免费开放 Gemini Live。

今年 8 月，谷歌在 Pixel 9 系列手机发布会上，发布了 Gemini Live，该服务提供了一种移动对话体验，让用户和 Gemini 展开自由流畅的对话。

Gemini Live 可以说是对标 OpenAI ChatGPT 最新上线的 Advanced Voice 模式（限量 Alpha 测试），采用了增强型语音引擎，可以展开更连贯、更有情感表达力、更逼真的多轮对话。

谷歌公司于本周四宣布，所有使用英语的 Android 版 Gemini 移动应用用户现在可以访问 Gemini Live，随时与助手进行流畅对话。iOS 平台尚未推出 Gemini 应用，因此这些用户将无法体验这一功能。（@IT 之家）

5、Reader-LM：用于清理和转换 HTML 为 Markdown 的小型语言模型

Jina AI 推出了两款小型语言模型（SLM），Reader-LM-0.5B 和 Reader-LM-1.5B，专门用于从嘈杂的 HTML 中提取并生成干净的 Markdown。这些模型有效地替代了传统的 Readability 和 Turndown 库，通过直接从 HTML 生成 Markdown，解决了噪声过滤和标记转换的问题。与大模型相比，这些 SLM 更具成本效益，同时支持长达 256K 的上下文长度。（@机器之心 SOTA 模型）

02有态度的观点

1、对话生数科技 CEO 唐家渝：AI 视频到了「普及」节点，提升时长不是产品化的重点

9 月 11 日，生数科技举办媒体开放日活动，发布「主体参照」（Subject Consistency）功能，意在破解视频模型生成主体的「一致性」难题。

在活动中，生数科技联合创始人、CEO 唐家渝表示，「现在的 AI 视频来到了一个节点。」生数科技发布的「主体参照」功能，正是为降低创作者门槛或者加速创作过程所作的努力。

「技术仍是关键因素，目前的视频生成只是初步符合物理规律，还有很高的天花板需要突破，比如更强的模型能力以及更多模态的协同生成。」唐家渝介绍，这次发布的「主体参照」能力在一致性生成方面确实有了很大提升，但是还有很多地方需要进一步提升。「例如要大模型从生成一个商品变成生成一个工艺品，而这个工艺品上面有繁复花纹和镂空部分，面对如此复杂的结构，目前的生成成功率依旧不高。场景生成包含很多组成因素，例如运动鞋，我就希望它能在更复杂、更动态化的场景中有更好的表现。这些都需要不断提升模型能力。」

这个过程中，技术的原创性和突破性需要与良好的商业化齐头并进，因为商业公司毕竟不是科研机构。

以视频生成的时长为例，拓展生成时长需要提升模型对世界抽象理解的能力、信息压缩和放大的双向能力。当前 Vidu 最长可以生成 32 秒的视频，生数科技计划将其扩展得更长，不过，时长还不是生数科技现在重点产品化的部分。

「在实际创作中，粗略地来说，90%以上的片段都是几秒钟。因此，从实用角度来看，我们还没有将时长作为我们的优先发布考虑。」唐家渝强调，但从模型能力角度，公司实际上在持续提升。（@每日经济新闻）

写在最后：

我们欢迎更多的小伙伴参与「RTE 开发者日报」内容的共创，感兴趣的朋友请通过开发者社区或公众号留言联系，记得报暗号「共创」。

对于任何反馈（包括但不限于内容上、形式上）我们不胜感激、并有小惊喜回馈，例如你希望从日报中看到哪些内容；自己推荐的信源、项目、话题、活动等；或者列举几个你喜欢看、平时常看的内容渠道；内容排版或呈现形式上有哪些可以改进的地方等。

素材来源官方媒体/网络新闻