2024 年大模型技術快速演進，相較于 2023 年的大小模型之 爭，技術的進步方向逐步向應用落地方向傾斜，降低端側模型 部署門檻，縮短模型推理時延，提升模型交互能力，大模型的 發展迎來了新的變化。本文將從技術視角梳理 2024 年以來大模 型各個領域發生的變化，以行業領先實踐為佐證，提出大模型技術演進方向。語言大模型發展迎來新范式，通過強化學習優 化內部思維鏈策略，以提升復雜邏輯推理能力。多模態大模型架構正向端到端演進，決策準確性和靈敏度提升推動機器人場景應用落地。在視頻生成領域，DiTs 架構的可擴展性優勢顯現， 推動 AI應用商業化。在硬件部署方面，模型壓縮、安全控制等 技術正降低部署門檻。在智能體實踐方面，垂類大模型開始在 智能終端環境應用。在合成數據策略方面，自我獎勵語言模型 生成合成數據，試圖打破數據瓶頸。

一、語言大模型的新范式：強化學習優化思維鏈

規模定律的延伸

在2024年之前，語言大模型的“規模定律”已經得到了業界的廣泛認可。模型參數的擴展、數據集質量的提升以及人工微調，使得語言模型展現出了前所未有的泛化能力和通用能力。然而，2024年的技術進步，將這一定律延伸至后訓練階段。

OpenAI的o1推理大模型

今年9月，OpenAI公開發布的o1推理大模型，通過強化學習優化模型內部思維鏈推理邏輯步驟，模擬人的思考過程，加深對問題的理解程度，從而提升處理復雜推理任務的能力。這一技術突破，標志著語言大模型的發展迎來了新范式。

強化學習的威力

通過強化學習，模型學會了精煉思維鏈并優化所用策略，識別并糾正錯誤，將復雜步驟分解為更簡單的部分，并在當前方法無效時嘗試不同的途徑。這一過程顯著提升了模型的推理能力，在多個高難度推理基準測試中，o1的表現超越了人類專家和GPT-4o，展示了其強大的推理能力和專業知識。

二、多模態大模型：端到端架構的演進

跨模態到端到端的轉變

過去，多模態大模型多采用基于語言模型為主干的跨模態架構，通過模態特定的編碼器轉化為統一的向量表示后再輸入語言模型。但這樣的架構帶來了任務響應時間長、模態間交互細節損失的問題。

端到端架構的優勢

2024年以來，以GPT-4o、Gemini為代表的多模態大模型開始使用端到端支持多種模態統一輸入輸出的模型架構。這一架構通過簡化模型的輸入接口，減少模態間的信息損失，提升了模型處理即時任務的響應時間。

英偉達的GR00T項目

在2024GTC大會上，英偉達發布了人形機器人項目GR00T，基于控制、執行和決策三個層級分層實現模型的端到端訓練學習，通過合并反向反饋得到精準輸出結果，大幅提升了機器人處理復雜任務的精度、高效性以及靈活性。

三、視頻生成領域的突破：DiTs架構的可擴展性

DiTs架構的優勢

2024年以來，國內外科技大廠發布的視頻生成模型多以DiTs為基礎，基于Transformer架構的擴散模型在視頻生成任務中可擴展性優勢凸顯。相較于原先的U-Net卷積網絡架構，Transformer骨干架構可以提供基于參數規模和訓練數據量提升而帶來更優越的性能。

OpenAI的Sora視頻生成模型

OpenAI發布的視頻生成模型Sora基于DiTs架構，在生成視頻的像素穩定性、前后邏輯連續性以及信息丟失等方面有大幅提升。Sora在數據處理和視頻標注領域做了創新，基于視頻編碼器將樣本空間數據進行時間空間維度壓縮和Patch化處理，再通過相應解碼器實現隱空間向視頻像素空間的映射，以訓練新的視頻壓縮網絡實現長視頻生成的能力。

Meta Movie Gen視頻生成模型

Meta Movie Gen視頻生成模型發布，其在原先視頻生成模型架構的基礎上，疊加了一個13B參數轉換器模型Meta Gen Audio，通過數百萬個小時的音頻參考數據的對比總結，Meta Gen Audio可精準匹配聲音和畫面之間的對應關系，根據不同情緒和環境的提示詞，找到與畫面完美契合的音樂。

四、硬件部署實踐：端云結合架構的創新

蘋果的Apple Intelligence

蘋果在2024年6月發布的Apple Intelligence為大模型硬件部署實踐提供了很好的指引。Apple Intelligence采用端云結合方案，分別在設備端和服務器端部署大小語言模型（AFM-on-device和AFM-server），不同應用可以通過統一的語義索引、意圖檢測等工具調用AFM模型。

量化壓縮疊加適配器架構

為保障在端側設備上運行模型同時避免精度上損失，蘋果創新推出量化壓縮疊加適配器的架構，一方面采用量化壓縮的方法降低模型大小，同時通過LoRA適配器來恢復量化模型的精度。

Responsible AI原則

蘋果制定了Responsible AI原則，包括用戶賦能、代表全球、謹慎設計、隱私保護四大原則，被整合到基礎模型開發的每一個環節中，包括數據的收集與處理、模型訓練、模型評估、用戶反饋等。

LLM-in-a-flash技術

蘋果研發了LLM-in-a-flash技術，讓大模型可以不受限于DRAM的限制，在推理時將參數加載至閃存中來輔助完成計算，分擔存儲壓力，從而降低端側設備部署大模型門檻。

附件：2024年AI大模型技術變遷情況回溯：技術演進方向,推動機器人場景應用落地,AI應用商業化