The Information最新消息透露OpenAI正在抓紧准备GPT-4多模态版本的发布，可能称为GPT4-Vision。

主要信息如下：

OpenAI据报道正在加速推出一个名为GPT-Vision的高级多模态LLM，代号为Gobi。（消息来源：https://www.theinformation.com/articles/openai-hustles-to-beat-google-to-launch-multimodal-llm ）

• GPT-Vision目前受到安全审查的限制，但“OpenAI的工程师似乎快要满足法律上的担忧。”
• OpenAI希望通过赶在谷歌的Gemini之前推出先进的多模态LLM来领先于谷歌。因为Gemini可能是今年冬天结束之前发布，所以估计很快多模态的GPT-Vision也会发布。

Google的Gemini是之前透露的今年可能在10月到11月发布的Google下一代多模态大模型，主要信息包括：

• Google Gemini将是多模态的。Pichai表示，Gemini将结合DeepMind的AlphaGo系统的优势，该系统以掌握复杂的围棋游戏而闻名，并具备广泛的语言建模能力。他表示，Gemini从头开始设计为多模态，可以整合文本、图像和其他数据类型，从而可能实现更自然的对话能力。Pichai还暗示了未来可能的功能，如记忆和规划，这可以支持需要推理的任务。

• Gemini可以使用工具和API。Google首席科学家Jeffrey Dean在夏季更新他的职业简介时表示，Gemini是他共同领导的“下一代多模态模型”之一。他表示，Gemini将利用Google的新AI基础设施Pathways，以支持对多样化数据集的扩展训练。这暗示了Gemini可能成为迄今为止最大的语言模型，很可能超过GPT-3的规模，拥有超过1750亿个参数。

• Gemini将提供不同尺寸和功能。DeepMind的首席执行官Demis Hassabis提供了额外的细节。他在六月份告诉Wired杂志，从AlphaGo中获得的技术，如强化学习和树搜索，可能赋予Gemini新的能力，如推理和问题解决。Hassabis表示，Gemini是一系列模型，将提供不同尺寸和功能的版本。他还提到，Gemini可能会利用记忆、对Google搜索等来源进行事实核查，以及改进的强化学习以提高准确性并减少危险的幻觉内容。

• 早期的Gemini结果令人鼓舞。在九月份的一次Time杂志采访中，Hassabis重申Gemini的目标是结合规模和创新。他表示，将规划和记忆整合进Gemini目前还处于早期的探索阶段。Hassabis还表示，Gemini可能会使用检索方法来输出整个信息块，而不是逐词生成，以提高事实的一致性。他透露，Gemini建立在DeepMind的多模态工作基础上，如图像字幕系统Flamingo。总的来说，Hassabis表示，Gemini正在展现出“非常有前景的早期结果”。