商汤发布多模态推理大模型，可生成6万字长思维链，10秒解说视频亮点
AI似乎已让人陷入审美疲劳。去年12月，在OpenAI举行的ChatGPT两周年发布会上，人们并没有等来新一代大模型GPT-5，号称世界上参数最大的Grok-1也没有赢得足够的掌声。原因可能是撞上了“数据墙”。
有数据表明，互联网上可用的人类文本数据将在2028年消耗殆尽。但这并不意味着知识被耗尽，人类社会的更多知识存在于图片、声音和视频等多模态之中。
商汤技术交流日。
今天的商汤技术交流日上，商汤科技发布了“商汤日日新 SenseNova V6（简称日日新V6）”，它具备最长64K思维链、多模态深度推理、全局记忆等能力，支持10分钟的视频推理及深度推理。
“文字并非与AI交互的最终形态，更自然的交互是无处不在的多模态。”商汤科技联合创始人、大模型首席科学家林达华说。AI2.0时代的游戏规则，似乎变了。
多模态长思维链重塑AI“智力”
俗话说“一图胜千言”，许多用文字难以描述的事情，一张图就懂了。显然，声音、图片和视频等多模态是人类智能的核心要素，每个人从出生起就通过眼睛从外部世界获取知识，到了一定年龄才会去学习文字。
日日新V6的核心突破是构建出多模态长思维链。当你向它发送一段语音、一张图片或一段视频，思维链主引擎就开始工作了。它会调用商汤10年间在多模态上积累的各种能力，给出反馈并不断循环，直到输出高质量多模态长思维链。“这条思维链最长可达64K，相当于在得到答案前，大模型已思考了6万字。”商汤科技董事长兼首席执行官徐立说。
多模态对于提升大模型“智力”如此重要，但想要落地却并不容易。在预训练过程中，如果将不同数据流一股脑儿喂给大模型，容易“消化不良”。商汤掌握了不同数据流之间的桥接方法，走通了多模态预训练这条路。
另一个难点在于。视频输入相对于文字的数据量暴增。徐立表示，即使以每秒一帧的频率采集视频数量，输入量也是文字的400倍。商汤通过多维信息压缩解决了多模态视频输入的长上下文问题，率先在国内突破长视频理解的上限，可支持10分钟的视频理解及深度推理。
“日日新”模型走向“日日用”
发布会上，徐立将更多时间留给了应用场景。购物比价、店铺经营、游戏解说、文化商旅、具身智能、情感陪伴……一个个鲜活场景轮番登场，让人惊呼AI应用将深入生活的方方面面。
最大的受益群体可能是家长，因为多模态大模型可以辅导功课和讲故事了。以往AI在辅助作业方面最大的应用是拍照搜题，但这并不能让孩子学会解题思路。日日新V6能找到孩子在解题过程中出错的那个环节，并像老师一样针对错误予以讲解。
睡前给孩子读绘本也是一些家长的“必修课”，可是有些绘本文字不多，需要家长自己理解后转述给孩子。这个工作也能交给日日新V6，它拥有强大的“看图说话”能力，几张图就能编出一个有趣的故事，有时还能给出意想不到的结局。
看图说话。
视频博主的生态也将由此改变。现场展示了热门游戏《黑神话悟空》的打斗片段，日日新V6不仅能将打斗中的精彩时刻剪辑出来，还能配上解说词：“当BOSS纵身跃下，长矛划出完美抛物线，玩家立即后撤步拉开距离，这是防止被连击的核心操作……”，这一切在10秒内完成。
如果将这一能力移植到旅游，将带给人全新体验。上海西岸文化产业投资发展有限公司副总经理蔡彭菲介绍，上海西岸未来将营造AI2.0文旅体验。比如，获取信息不必扫二维码，只要将手机对准目标，AI就能自动“开讲”；将游玩时长、个人兴趣输入大模型，它会主动生成导览路线；旅游中“随手拍”也不妨扔给大模型，让它为你剪出精彩瞬间……
多模态模型迈向舞台中央
生成式AI爆发后，多模态大模型早已成为人们追求的方向。谷歌认为，只有从头开始的多模态才能构建出超越前代的先进模型。这意味着它天生地可以读取和输出不同模态内容，还具备强大的多模态推理能力和跨模态迁移能力。
这被称为“原生融合多模态技术”，被认为是AI未来发展的必由之路，也是商汤始终坚持的研发重点。林达华表示，一流企业需要有引领能力，而非紧跟热点。
2023年4月，商汤首次推出商汤日日新SenseNova大模型体系。经过5个版本迭代，去年7月推出的日日新5.5版本成为国内首个对标GPT-4o的多模态实时交互大模型，实现了语音、视频和语言模型的原生融合。日日新V6pro在多模态推理能力上相较5.5版本提升104%，纯文本能力提升55%。
自去年10月，商汤科技确立了“大装置-大模型-应用”三位一体核心战略后，其发展策略似乎变了。徐立也坦言，过去商汤的场景大多较为宏大，比如城市管理、智能工业、电网，而此次发布会则显得更有人情味。这是因为当时的模型只能针对单一任务实现闭环价值，随着大模型变得更加通用，反而让它走到更多人身边，变成“日用品”。
大模型赛道风起云涌，3个月不创新格局就会变。可以预见，手握多模态的交互入口，商汤已在AI应用新一轮爆发来临之前领先“一个身位”。
