大模型隐藏玩家上桌：DeepSeek 向左，面壁向右

主要观点总结

本文主要介绍了大模型训练的现状和发展趋势，包括不同玩家在追赶GPT系列模型过程中的策略差异，以及面壁智能和DeepSeek两家公司在模型效率方面的创新。文章还讨论了模型部署到端侧的问题以及面临的挑战。

关键观点总结

关键观点1: 大模型训练的趋势和差异

大模型赛跑两年后，玩家已逐步分化为三种趋势：追随OpenAI、转向应用端、探索更高效的大模型。现阶段，大模型训练面临算力上限的问题，而且并非参数越大效果一定越好。大部分玩家开始关注如何在有限的资源下发挥每个参数的最大作用。

关键观点2: DeepSeek 和面壁智能的路径选择

DeepSeek选择了从头训练MoE模型，面向云端，而面壁智能则更注重面向边端算力场景的极致优化。两者在模型效率方面都有独特的技术和成果。

关键观点3: 端侧模型的优势和挑战

端侧模型具有巨大的潜力，可以释放手机中的大量算力。然而，端侧模型的部署面临着内存、功耗、算力等硬件瓶颈。此外，小模型并不等同于端侧模型，如何将小模型高效部署在终端也是一个挑战。

关键观点4: 面壁智能的技术突破和展望

面壁智能在模型效率方面取得了显著进展，推出了MiniCPM-o 2.6模型，具有全模态实时流式视频理解和高级语音对话等功能。未来，面壁智能将继续探索模型效率的提升，并致力于将AI作为人的工具，让计算机更智能、有理解能力。

免责声明