腾讯推出国产首个开源GPT-4o，效果炸裂绝对国内第一！

腾讯优图实验室的研究团队8.11日推出了一个开创性的开源多模态大语言模型VITA。VITA能够处理视频、图像、文本和音频，并且在多模态交互体验方面表现卓越。（项目链接和论文在文章底部）

VITA模型的开发旨在弥补大型语言模型在处理中文方言方面的不足。它基于强大的Mixtral8×7B模型，扩展了中文词汇库，并进行了双语指令微调。这样一来，VITA不仅擅长英语，还能流利地使用中文。在单模态和多模态基准测试中，VITA展现出了卓越的多语言、视觉和音频理解能力，进一步证明了其强大性能。

在自然多模态人机交互体验方面，VITA也取得了显著进展。这项研究首次在多模态大语言模型（MLLM）中引入了非唤醒交互和音频中断功能。VITA的部署采用了复式方案，一个模型负责生成对用户查询的响应，另一个模型持续跟踪环境输入。这种设计使得VITA具备了非唤醒人机交互功能。

01.VITA概要

VITA 不仅能同时处理和分析视频、图像、文本和音频，还具备先进的多模态交互体验。与现有的开源 MLLM 相比，VITA 有三个关键特征使其独树一帜：

1. 全方位多模态理解：VITA 展现了其在多语言、视觉和音频理解方面的强大基础能力，并在多项单模态和多模态基准测试中表现优异。

2. 非唤醒交互：VITA 能够无需使用唤醒词或按钮即可被激活，能够对环境中的用户音频问题做出即时响应。

3. 音频中断交互：VITA 具备实时跟踪和过滤外部查询的能力，允许用户随时打断模型的生成过程并提出新问题，VITA 将自动调整响应以应对新的查询。

VITA能够处理各种输入形式，包括纯文本、音频，以及结合文本或音频的图像和视频。此外，为了提升多模态交互体验，VITA采用了两项关键技术：

1. 状态标记 (State Token)：为不同类型的查询输入设计了不同的状态标记。例如，`<1>`代表有效的查询音频，如“世界上最大的动物是什么？”，模型应对此进行响应；`<2>`代表嘈杂的背景音频，比如环境中有人叫我吃饭，此时模型不应作出反应；`<3>`代表查询文本，即用户通过文本形式提出的问题。在训练过程中，训练模型自动区分这些不同的输入类型。在实际应用中，通过`<2>`状态标记，实现了非唤醒交互功能，使模型能够忽略不相关的音频输入。

2. 双工方案：在这个方案中，两个模型同时运行。一个生成模型负责处理用户的查询，而另一个监控模型则负责持续监控环境。当生成模型正在生成响应时，如果用户通过新的有效音频查询打断，那么监控模型将会结合之前的上下文来处理最新的查询，而生成模型则暂停并切换到监控状态。这样，两个模型在必要时能够相互切换角色，确保交互的连贯性和灵活性。

02.实际示例

• 原理推理：

• 代码生成：

• 计算推理

• 视频理解

• 高分辨率感知

• 目的OCR

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】