文章目录[隐藏]
[t-success icon='']AI·快讯[/t-success]
1、三星发布Galaxy S24系列手机，搭载谷歌Gemini
三星今日推出Galaxy S24系列手机，引入“Galaxy AI”功能。Galaxy AI大部分新功能都由谷歌Gemini大模型提供支持，包括视频和照片编辑工具、实时语音翻译等。据悉，这是Gemini Pro首次部署在Vertex AI上供客户使用，用于笔记、语音录音和键盘的摘要；手机使用Imagen 2对照片进行生成式编辑，以及Gemini Ultra用于复杂任务，Gemini Nano作为设备上的小型语言模型。三星美国及澳大利亚官方新闻稿角注中提到，Galaxy AI功能将在受支持的三星Galaxy设备上免费提供，直到2025年底。（来源）
2、工信部发布AI产业建设指南草案
工业和信息化部科技司公开征求对《国家人工智能产业综合标准化体系建设指南》（征求意见稿）的意见，公示时间为2024年1月17日至2024年1月31日。指南提出到2026年，共性关键技术和应用开发类计划项目形成标准成果的比例达到60％以上，新制定国家标准和行业标准50项以上，开展标准宣贯和实施推广的企业超过1000家，参与制定国际标准20项以上。（来源）
3、谷歌DeepMind数学几何AI 数学模型 AlphaGeometry登上Nature
谷歌 DeepMind 宣布推出 AI 数学模型 AlphaGeometry，能够以接近人类金牌得主的水平解决奥林匹克几何问题，相关论文也于今日登上国际顶刊《自然》（Nature）。为了训练模型，研究团队生成了 1 亿个合成定理及其解决方案，涵盖各种复杂程度的问题，AlphaGeometry 完全基于这些数据进行了从头训练。在针对 30 道奥数几何题的基准测试中，AlphaGeometry 在规定的奥数解题时间内成功解决了 25 道题。相比之下，此前最先进的机器系统仅解决了其中 10 道题，而人类金牌得主的平均解题数量为 25.9 道。（ 来源 ）
4、智源FlagEval大模型评测榜单1月榜发布
据智源研究院微信公众号发文，今日，FlagEval大语言模型测评榜单1月榜发布，本期新增近期开源的Mistral（MoE模型）、BlueLM、MindSource、SUS-chat-34B、DeepSeek等模型的评测结果，并使用平行测验增强主观评测可靠性。评测显示，Mixtral-8x7B系列模型英文能力远优于中文能力，其基座模型英文能力接近Aquila2-34B；vivo发布的BlueLM系列模型中英文能力较为均衡，整体评测结果在10B以下模型中位于中上游。（来源）
详细测评结果：flageval.baai.ac.cn
5、RWKV母公司元始智能获种子轮融资
开源大模型RWKV背后的公司元始智能，已于1月16日完成种子轮融资，由奇绩创坛和某匿名投资者投资，目前元始智能已开始继续融第二轮。RWKV是国产开源的首个非Transformer架构的大语言模型，目前已经迭代到第六代RWKV-6。据悉，RWKV-5的15亿和30亿参数版本已发布，且70亿参数版本会在今年1月发布，而RWKV-6的15亿和30亿参数版本将在今年2月发布，然后将继续训练70亿和140亿参数版本。
RWKV体验地址：https://www.rwkv.com
6、谷歌推出画圈搜索及生成式AI多重搜索功能
当地时间1月17日，谷歌推出两项新的搜索功能：画圈搜索（Circle to Search）和AI驱动的多重搜索（Multisearch）。画圈搜索可以使用户无需切换应用程序，使用画圈、涂鸦、点击等简单的交互方式获取更多信息。AI驱动的多重搜索允许用户在上传照片或屏幕截图时，不仅获得视觉匹配结果，还能获得AI提供的智能见解，如用户可以上传一个棋盘游戏的照片，并追问这是什么游戏、该怎么玩等。（来源）
7、亚马逊App测试AI问答功能
亚马逊正在其iOS和安卓移动应用程序中测试一项新的AI功能，该功能可以让客户询问有关产品的具体问题，如帮助准确计算出新架子的尺寸、确定电池的使用寿命，甚至写一首关于雪地靴的圣诞颂歌。亚马逊发言人透露该功能仍在测试中，它不能进行与产品无关的对话或回答问题。（来源）
8、苹果发布自回归视觉模型AIM
来自苹果的团队昨日在arXiv上发表论文，提出一组使用自回归生成目标进行预训练的视觉模型AIM，展示了图像特征的自回归预训练具有与文本对应物（即大型语言模型）类似的缩放属性。具体来说，该论文主要有两个发现：模型容量可以轻松地扩展到数十亿个参数；AIM有效地利用了大量未经筛选的图像数据集。
GitHub地址：https://github.com/apple/ml-aim
9、新型注意力机制Lightning Attention-2发布
OpenNLPLab团队于1月16日在arXiv上发表论文，提出并开源了Lightning Attention-2，这是一种能够实现线性注意力的理论计算优势的线性注意力实现。为了实现这一点，团队利用了Tiling思想，分别处理线性注意力计算中的内部块和间隔块组件。无论输入序列长度如何，Lightning Attention-2都保持一致的训练和推断速度，并且比其他注意力机制快得多。