大模型“聚会”：国内卷价格，国外卷能力

　　在中美AI大模型的竞争上，正衍生出两种不同的路径。

　　继北京时间5月14日凌晨OpenAI春季发布会上，OpenAI推出兼具听、看、说能力的GPT-4o后。北京时间5月15日凌晨谷歌I/O开发者大会上，谷歌CEO桑达尔·皮查伊发布数十款Google和AI 结合产品，堪称“全家桶”级别，全面围剿Open AI。

　　其中包括支持200万token长文本的Gemini 1.5 Pro和 Gemini 1.5 Flash，对标Sora的Veo，开源模型Gemma 2，支持生成式搜索的AI Overviews、第六代TPU等。

　　整场开发者大会最大的看点为，谷歌推出的AI语音助手——Astra，它能够通过摄像头识别物体、代码和各种东西。现场演示视频中，用户要求Astra在看到发出声音的东西时告诉她，助手回答说，它可以看到一个发出声音的扬声器。对于一闪而过的苹果，Astra居然也能够准确回答出在眼镜旁边。

　　除Astra外，谷歌还推出基于Gemini的多款通用AI Agent子系列产品。如音频的NotebookLM、音乐的Music AI Sandbox、视频的Veo、图像的Imagen 3，直接对标OpenAI发布的GPT-4o、Dall-E和Sora。

　　和谷歌、OpenAI围绕技术之争不同的是，国内大模型或将迎来价格战时代。在5月15日字节举办2024春季火山引擎Force原动力大会上，字节推出3款AI产品，包括AI生图产品 PicPic、AI 教育产品河马爱学、AI 剧情互动产品猫箱。

　　除这三款产品外，字节面向TOC端的产品还包括定位AI教育的Gauth，定位AI对话的豆包和CiCi;定位AI工具的小悟空ChitChop;定位Al Bot创建平台的Coze和扣子;定位AI互动剧情的BagelBel等。

　　但字节率先启动行业价格战，火山引擎总裁谭待表示，豆包大模型将开启付费商业化，且定价远低于行业价格。以豆包通用模pro-32k版为例，模型推理输入价格仅为0.0008元/千Tokens。市面上同规格模型的定价一般为0.12元/千Tokens，是豆包模型价格的150倍。

　　字节本轮降价后，后续国内其他大模型厂商或将跟随。但降价能否帮助国内大模型厂商带来更多新增用户和付费用户，仍值得商榷。

　　GPT-4o和谷歌Gemini不断宣传现阶段AI能力大幅度提高，两家谁的大模型能力更强呢?基于此，我们也对GPT-4o和Gemini展开了多维度的测试。

　　一、文本输出：Gemini和GPT-4o愈发接近，部分能力已赶超

　　因GPT-4o和Gemini均属于世界TOP级的大模型，在测试两家大模型的文本输出能力上，我们直接将难度升级。

　　为什么很多国家仍以油车为主?你觉得影响新能源汽车海外渗透率提高的因素有哪些?我们将这一问题同时给到GPT-4o和Gemini，二者均指出充电基础设施建设、购置成本、技术进步、政策支持、消费者文化习惯是很多国家仍以燃油车为主的原因。

　　但相较于GPT-4o，Gemini不仅识别到我们提问的是两个问题，且均给出答案，也回答出GPT-4o没有指出的车企方面、宣传教育方面的问题。也就是说，Gemini的回答可能更为完整。

　　图源：基于Gemini和GPT-4o生成内容整理 DoNews制图

　　我们继续追问要求两个大模型同时给我们撰写一份10000字全球新能源汽车报告，并要求报告中需要包括行业价格战、电池技术、未来发展方向、产业趋势。

　　但此时两个大模型的表现已经出现明显差异，GPT-4o给我们生成七大章节的框架，每个框架下也要对应的小框架。但就是不输出我们要求的内容，这或许和当前GPT-4o在长文本能力上的欠佳有关。

　　图源：GPT-4o官网

　　Gemini虽给我们具体的文本内容，但全文1679字和我们要求的万字报告差距较大。内容被大幅度压缩后，整个内容质量也相对欠佳。

　　如在提到新能源汽车产业趋势发展上，Gemini给出的内容为产业链整合、跨界合作、国际化竞争，每条内容仅有一句话进行概括。换言之，在真正涉及行业专业性问题上，Gemini和GPT-4o均存在不同程度的短板。

　　图源：Gemini官网

　　当我们将难度继续提高后，询问为什么今年以来全球大宗商品价格持续上涨?这种涨幅带来的影响有哪些?未来价格是否会回落?在首问中GPT-4o和Gemini给出的答案有所相同，均指出和供应链、地缘冲突、全球经济等因素有关。且在未来价格走势预测中，两者给到的答案也基本相同。

　　但在涨幅所带来的影响上，Gemini给出的答案可能更为完整。尤其是在金融、企业利润、社会等方面的影响，GPT-4o并未指出。

　　图源：基于Gemini和GPT-4o生成内容整理 DoNews制图

　　在文本内容快速分析上，我们让两款大模型同时给我们分析安克创新2024年Q1财报中存在的风险点，GPT-4o生成的风险点包括现金流减少、高额的销售费用和管理费用、财务费用大幅度波动、公允价值带来损失这四点。

　　图源：GPT-4o官网

　　但Gemini给出的内容却包括营收增速放缓、经营活动大幅度下降、销售费用和管理费用大幅度增加、存货跌价损失增加、汇兑大幅度增加、对政府补助依赖这六点。这也不能看出，Gemini的回答更为完整。

　　图源：Gemini官网

　　而当我们要求两款大模型同时以如何帮助失恋的人走出阴影，写一篇2000字的文章。要求文章有观点，并且文章内需要配上对应的图片和音频，Gemini的表现可以说完全吊打GPT-4o。

　　在文章开头，Gemini直接放入一曲舒缓的音乐，且这个音乐也支持播放。每个细分章节下，Gemini直接从网站上检索到和内容相关的图片，实现OpenAI提到的文本、音频、图像的任意组合。

　　图源：Gemini官网

　　对比之下，GPT-4o给到的内容就有些逊色。除文章开始处能看到图片外，其余正文处均未看到任何和内容相关的图片，且全文中也看不到音频。

　　图源：GPT-4o官网

　　整体测试下来后我们发现，谷歌在生成式AI领域尤其在文本能力输出上已经从“落后”到追赶，甚至内容质量上、内容组合等能力上已经超过GPT-4o。

　　二、对比之下，Gemini综合能力不容忽视

　　在测试过程中，我们发现Gemini不仅支持文本内容提问，且也支持语音提问。但因国内网络受限，暂无法对语音功能进行测试，也无法判断这是否为谷歌发布会上提到的Astra。相较于谷歌的快速，GPT-4o目前仍是支持单一的文本内容提问。