如果按照阿里、京东、拼多多等老牌电商来看，这势必要在很短时间内就要扩张成一个万人级别的大团队，现在这位接任的领导者非常重要。

一位与小冰在数字人领域有紧密合作的国企数字化负责人就告诉雷峰网，小冰在数字人交付中提供一揽子的服务，不仅在细分垂直领域有行业 know-how，能满足更高要求的定制化服务，还包揽宣传工作，大大节省了 B 端客户的时间与精力，客户满意度很高。目前用大模型技术驱动数字人也是一个高门槛、具有广泛应用场景的新方向，如小冰能在该领域有所建树，也有扭转局势的机会。

这个项目始于 2021 年，由曾敏负责。但产品、营收都做不起来，谁愿意来？为此，小冰有一个独特的方式——加快人员升职的周期。设计小冰时，李笛就受任天堂在 2006 年推出的一款家用运动控制游戏 Wii 的影响，倾向于给中国市场带来既有趣又有用的 AI 产品，让普通用户愿意与机器人建立情感纽带。周明组与小冰团队合作后，小冰对话的平均轮数提升到了 14.3 轮，到 2019 年左右更是提到了 21 轮，在 ChatGPT 诞生前一度是国际上对话机器人中对话轮数排名最高的人工智能产品。在小冰，相比技术的扎实度，能在宣传侧产生噱头的新闻似乎更受重视。

微软在全球范围内，只有小冰独有这份特权。从微软分拆后，小冰在名义上成为了中国的小冰，但实际上又与微软还保持着千丝万缕的关系。公开信息显示，2020年5月吴保军加入零跑汽车，负责公司业务发展、营销、制造以及供应链。

（IT之家）马斯克再度称赞中国：有令人难以置信的火车和基础设施近日，特斯拉CEO埃隆·马斯克再次盛赞中国基建，并称中国有令人难以置信的火车和基础设施。根据欧盟的《数字市场法案》，苹果必须在3月6日前完成整改，在奥地利、比利时、意大利、法国、德国、荷兰、西班牙、瑞典和其他欧洲国家，添加对第三方应用程序商店和应用程序侧载的支持网版权文章，未经授权禁止转载网版权文章，未经授权禁止转载

这一设计使得模型可以更有效地融合和处理视觉和文本信息，提高了多模态理解和生成的准确度。凭借卓越的图文理解和对话生成能力，Yi-VL模型在英文数据集MMMU和中文数据集CMMMU上取得了领先成绩，展示了在复杂跨学科任务上的强大实力。

该模块由一个包含层归一化（layer normalizations）的多层感知机（Multilayer Perceptron，简称MLP）构成。1月22日，零一万物Yi系列模型家族迎来新成员，Yi Vision Language（Yi-VL）多模态语言大模型正式面向全球开源。欢迎探索Yi-VL多模态语言模型的强大功能，体验前沿的AI技术成果。同时，零一万物多模态团队正在探索从头开始进行多模态预训练，更快接近、超过GPT-4V，达到世界第一梯队水平。

目前，Yi-VL 模型已在Hugging Face、ModelScope等平台上向公众开放，用户可通过以下链接亲身体验这款模型在图文对话等多元场景中的优异表现。MMMU（全名Massive Multi-discipline Multi-modal Understanding Reasoning 大规模多学科多模态理解和推理）数据集包含了11500个来自六大核心学科（艺术与设计、商业、科学、健康与医学、人文与社会科学以及技术与工程）的问题，涉及高度异构图像类型和交织文本图像信息，对模型的高级知觉和推理能力提出了极高要求。其中，GPT-4V在该测试集上的准确率为43.7%， Yi-VL-34B以36.5%的准确率紧随其后，领先于当前最前沿的开源多模态模型。•Projection模块为模型带来了图像特征与文本特征空间对齐的能力。

在训练方法上，Yi-VL模型的训练过程分为三个精心设计的阶段，旨在全面提升模型的视觉和语言处理能力。•第二阶段：零一万物将 ViT 的图像分辨率提升至448x448，这一提升让模型更加擅长识别复杂的视觉细节。

在这一阶段，图像分辨率被设定为224x224，以增强 ViT 在特定架构中的知识获取能力，同时实现与大型语言模型的高效对齐。Yi系列模型可以作为多模态模型的基座语言模型，给开源社区提供一个新的选项。

据悉，Yi-VL模型基于Yi 语言模型开发，包括Yi-VL-34B和Yi-VL-6B两个版本。在全新多模态基准测试MMMU中，两个版本均有不俗表现。此阶段使用了约2500万图像-文本对。令人瞩目的是，Yi-VL-34B在该测试集上以41.6%的准确率，成功超越了一系列多模态大模型，仅次于GPT-4V（55.7%），展现出强大的跨学科知识理解和应用能力。在架构设计上，Yi-VL模型基于开源 LLaVA架构，包含三个主要模块：•Vision Transformer（简称ViT）用于图像编码，使用开源的OpenClip ViT-H/14模型初始化可训练参数，通过学习从大规模图像-文本对中提取特征，使模型具备处理和理解图像的能力。•第三阶段：零一万物开放整个模型的参数进行训练，目标是提高模型在多模态聊天互动中的表现。

零一万物技术团队同时也验证了可以基于Yi 语言模型强大的语言理解和生成能力，用其他多模态训练方法比如BLIP、Flamingo、EVA等快速训练出能够进行高效图像理解和流畅图文对话的多模态图文模型。训练数据涵盖了多样化的数据源，共约100万图像-文本对，确保了数据的广泛性和平衡性。

•Yi-34B-Chat和Yi-6B-Chat 大规模语言模型的引入为 Yi-VL 提供了强大的语言理解和生成能力。图说：Yi-VL模型架构设计和训练方法流程一览。

该部分模型借助先进的自然语言处理技术，能够帮助 Yi-VL 深入理解复杂的语言结构，并生成连贯、相关的文本输出。CMMMU包含了约12000道源自大学考试、测验和教科书的中文多模态问题。

•第一阶段：零一万物使用1亿张的图像-文本配对数据集训练 ViT 和 Projection 模块此阶段使用了约2500万图像-文本对。该部分模型借助先进的自然语言处理技术，能够帮助 Yi-VL 深入理解复杂的语言结构，并生成连贯、相关的文本输出。据悉，Yi-VL模型基于Yi 语言模型开发，包括Yi-VL-34B和Yi-VL-6B两个版本。

零一万物技术团队同时也验证了可以基于Yi 语言模型强大的语言理解和生成能力，用其他多模态训练方法比如BLIP、Flamingo、EVA等快速训练出能够进行高效图像理解和流畅图文对话的多模态图文模型。•第二阶段：零一万物将 ViT 的图像分辨率提升至448x448，这一提升让模型更加擅长识别复杂的视觉细节。

•第一阶段：零一万物使用1亿张的图像-文本配对数据集训练 ViT 和 Projection 模块。同时，零一万物多模态团队正在探索从头开始进行多模态预训练，更快接近、超过GPT-4V，达到世界第一梯队水平。

这一设计使得模型可以更有效地融合和处理视觉和文本信息，提高了多模态理解和生成的准确度。训练数据涵盖了多样化的数据源，共约100万图像-文本对，确保了数据的广泛性和平衡性。

在这一阶段，图像分辨率被设定为224x224，以增强 ViT 在特定架构中的知识获取能力，同时实现与大型语言模型的高效对齐。•Projection模块为模型带来了图像特征与文本特征空间对齐的能力。•Yi-34B-Chat和Yi-6B-Chat 大规模语言模型的引入为 Yi-VL 提供了强大的语言理解和生成能力。在训练方法上，Yi-VL模型的训练过程分为三个精心设计的阶段，旨在全面提升模型的视觉和语言处理能力。

凭借卓越的图文理解和对话生成能力，Yi-VL模型在英文数据集MMMU和中文数据集CMMMU上取得了领先成绩，展示了在复杂跨学科任务上的强大实力。其中，GPT-4V在该测试集上的准确率为43.7%， Yi-VL-34B以36.5%的准确率紧随其后，领先于当前最前沿的开源多模态模型。

MMMU（全名Massive Multi-discipline Multi-modal Understanding Reasoning 大规模多学科多模态理解和推理）数据集包含了11500个来自六大核心学科（艺术与设计、商业、科学、健康与医学、人文与社会科学以及技术与工程）的问题，涉及高度异构图像类型和交织文本图像信息，对模型的高级知觉和推理能力提出了极高要求。图说：Yi-VL模型架构设计和训练方法流程一览。

目前，Yi-VL 模型已在Hugging Face、ModelScope等平台上向公众开放，用户可通过以下链接亲身体验这款模型在图文对话等多元场景中的优异表现。CMMMU包含了约12000道源自大学考试、测验和教科书的中文多模态问题。