麻豆国内精品欧美在线-麻豆国内精品久久久久久-麻豆国产在线观看一区二区-麻豆国产在线观看免费-麻豆国产原创-麻豆国产一区二区在线观看

@科技新知原創

作者丨林書編輯丨蕨影

2024年已經逐漸步入了尾聲，但國產大模型的內卷之戰卻還在繼續著……

最近，騰訊終于有了新動作，在開源模型上卯足了勁。11 月 5 日，騰訊宣布開源 MoE 大語言模型混元 Large，騰訊稱混元 Large 是業界參數規模最大、效果最好的開源 MoE 大語言模型，采用 7T 訓練 tokens，總參數量 389B，激活參數量 52B，上下文長度高達 256K。

然而，從去年年初至今，在文本大模型的戰場上，身為BAT三巨頭之一的騰訊，卻長久地處于被動的狀態。

一個明顯的表現是：在10月國內Web端AI助手的排行榜上，騰訊的AI產品元寶僅排在了第11位，月訪問量不到200萬，遠不及百度的文心一言、與阿里的通義千問。

如今，在國內的AI應用上，要問起知名度最高的前三個，人們可能很難會想到騰訊的元寶。

問題來了：同樣身為BAT三巨頭之一，且有著微信這樣一個超級入口，為何騰訊卻在C端方面表現如此不堪？

一個重要的原因，恐怕并不是騰訊的元寶有多“差”，而是在于在眾多國產大模型的AI產品中，元寶是一個十分四平八穩，平庸到毫無“特色”的存在。

而這樣的平庸，對于騰訊這樣的巨頭而言，并不是一個及格的答卷。

及格邊緣

基于騰訊混元大模型的的AI產品——元寶，目前在C端的體驗究竟怎樣？

在這里，我們以當前文本大模型最核心的幾項能力，例如文本總結、撰寫，深度推理等，將元寶與排名較前的一些大模型進行對比，或許就能從中得知其與目前一線模型的差距。

首先來看看文本總結。

在這里，我們先選取一篇關于低空經濟的深度長文章，分別試著讓元寶、Kimi，通義千問進行總結。

首先，我們試著讓三個大模型，分別總結下，這篇文章的核心論點是什么。

從上到下的模型分別是：元寶、Kimi、通義千問。

可以看到，在三者的表現中，元寶最為簡略，只草草地總結了文章的一些大致內容。

而相較之下，Kimi和通義千問的表現則詳盡得多，不僅列出了數個要點，并且有條理、有邏輯地對文章的脈絡進行了梳理，讓用戶有了一個大致的框架。

接下來，再看看文本撰寫方面的表現。

在這里，我們的要求是：“用司馬遷寫《史記》的風格，敘述一下特朗普從2020年敗選，到今年再次當選美國總統這段時間的經歷，同時還要在敘述中，帶有一些戲謔和諷刺的色彩。”

這樣的要求，考驗的就是模型在寫作時的指令遵循能力。

先來看看元寶的表現。

雖然在寫作風格上，確實比較接近《史記》，但是元寶并沒有按我們的要求，從特朗普2020年敗選的經歷開始敘述，而是從他幼年的經歷開始講起，并且也沒看出戲謔和諷刺的色彩。

之后是Kimi的表現，雖然在文風上，離《史記》還差了點，但是基本上已經做到了“從特朗普2020年敗選的經歷開始敘述”“帶有一些戲謔和諷刺的色彩”這兩點。

講真，在這一輪比較中，三者表現最好的，就是通義千問了。從文風、敘述要點，以及情感色彩方面，都與我們的要求最接近。

之后，我們再看看三者在深度推理方面的表現。

這回我們的要求是：“聯網搜索一下，目前各大咖啡品牌在縣城等下沉市場的競爭態勢，并分析這一態勢背后的原因，之后從商業角度，給出一個獨到的見解。”

這是一個復雜的分析型查詢，需要結合實時數據，進行多步驟、多維度的分析。

在測試中，我們都開啟了三個大模型的“深度搜索”功能。

由于答案太長，這里只截取最關鍵的“獨到見解”部分。

首先來看元寶的表現。

平心而論，在元寶給出的見解中，只有“本地化”這一點，算是比較靠譜的，其他的看法，像什么“參與社區公益”“推廣綠色消費理念”，都是些很外行，很不著調的回答。

之后是Kimi的回答。

跟元寶對比，可以明顯感受到回答的深度、質量上了一個臺階。例如“數字營銷”“優化供應鏈”這些見地，不僅一針見血，而且針對性很強，顯然是考慮到了縣城客流量低，對價格競爭更敏感的特點。

最后是通義的回答。

可以看到，在集合了之前Kimi針對性較強的特點上，通義的回答更為具體、細致，而不是看起來在“泛泛而談”，其深度、針對性，與元寶相比，再次提升了一個等級。

通過以上測評，我們基本上可以看出：目前騰訊的元寶，在國內梯隊中，僅僅只能算是“剛好及格”的那一批。

在文本總結、撰寫這些日常任務上，其表現就已十分勉強，遇到一些需要復雜分析、推理的任務時，其水準就更不盡如人意。

組織“局限”

從當前國內大模型的概況來看，脫穎而出的玩家，往往有這么兩類：

一類走的是市場路線，憑借其在多個業務線中積累的大量數據，將用戶與內部場景進行深度整合，增強其在C端用戶中的吸引力；這類的代表玩家，有百度、字節、阿里。

另一類則是以月之暗面、智譜清言為代表的，以硬核技術力作為核心錨點的企業，其主要靠模型過硬的實力吸引用戶。例如月之暗面的Kimi，其模型在長文本的理解方面，在國內模型中就屬于鳳毛麟角。

從體量、實力上來說，騰訊完全有可能成為第一種玩家，甚至成為二者兼具的“雙修”型選手，讓人失望的是，作為一家擁有龐大社交生態、深厚技術積淀的巨頭，騰訊卻在這一領域“掉隊”了。

究其根本，騰訊在語言模型領域的“拉胯”與其技術戰略、組織架構不無關系。

首先，騰訊的組織結構問題是其在大模型領域失利的“罪魁禍首”之一。

從組織架構來看，騰訊采用了多部門參與的研發模式。據報道，騰訊的AI大模型研發涉及六個業務群（BG）的參與，其中TEG更側重通用算法研發，而其他業務群則更關注行業應用。

這種策略有其優勢（如貼近業務需求），但也帶來了一些潛在的挑戰（如協調成本較高）。

相較之下，BAT中的百度、阿里，在大模型方面的組織架構則集中得多。無論是百度智能云，還是阿里達摩院，都能在同一戰略目標下集中算力資源，將模型與應用緊密協同。

騰訊的分離架構，在一定程度上導致了資源整合的困難，尤其是在GPU資源、算力需求等方面難以快速響應，從而影響了大模型的訓練和應用速度。

說到底，這是因為騰訊長期以來專注于“社交”“娛樂”等業務的結構，決定了其組織形態更適合產品迭代而非技術突破，其技術研發更多服務于具體業務需求，而非系統性的基礎研究投入。

雖然與騰訊相比，字節也同樣是以娛樂內容起家的互聯網巨頭，但這其中的關鍵區別就在于：由于在短視頻形成的內容導向策略，讓字節跳動旗下的抖音、今日頭條等產品需要時刻追蹤用戶喜好，快速迭代功能和內容，使得字節必須更注重算法、數據上的積累。

這一點從字節早期就開始構建的算法推薦引擎可見一斑——它不是在有了具體業務后才去開發技術，而是先有了技術積累，才催生出今日頭條、抖音這樣的產品。

而這與坐擁全國最大社交軟件（微信、QQ）的騰訊，有著天然的差別。

產品掣肘

很多人質疑騰訊在大模型方面的滯后時，往往會想：既然騰訊背靠著QQ、微信這樣的超級入口，那其為什么不將自身的元寶大模型整合進其中，通過流量效應取得優勢？

關于這點，一個深層的原因，就在于微信和QQ等社交生態的崛起，靠的不是技術，而是運營策略和龐大的用戶數。

靠著互聯網時代“跑馬圈地”的策略，騰訊已經穩坐了這個江山，對于騰訊而言，這是其最核心的資產，在此情況下，任何過于“新銳”的技術，都可能影響用戶體驗的改變，從而會被視為高風險操作。

尤其是當前大模型技術尚未完全成熟的情況下，各種幻覺、錯誤等問題，都會帶來難以預料的負面影響。

更重要的是，社交場景中的對話往往涉及大量私密信息，如何在提供AI服務的同時，確保用戶隱私安全，這是一個技術上和倫理上都極具挑戰的問題。

而這也引出了一個有趣的悖論：在互聯網時代，塑造各個巨頭的優勢因素，在AI時代，反而可能成為一種潛在的掣肘。

在當下大模型的競爭中，最重要的環節之一莫過于數據。

從這方面來看，騰訊的技術積累和商業模式與百度、阿里有著本質區別。百度長期深耕搜索引擎和知識圖譜，積累了海量的結構化數據和自然語言處理能力；阿里則依托電商生態，擁有豐富的場景化數據和完整的產業鏈支持。

相比之下，騰訊雖然在社交領域占據優勢，但其數據屬性更偏向于即時通訊和娛樂，這在大模型發展的物質基礎上就形成了先天差異。

更深層次來看，這樣的差異，也反映了不同企業在面對技術變革時的路徑依賴。騰訊的商業基因更偏向于連接與娛樂，而大模型技術的突破性應用，首先體現在知識服務和生產力工具領域。這種錯位，使得騰訊在大模型競爭中不得不采取更為謹慎的策略。

這也是為什么，在垂直場景適配方面，例如在金融、醫療、教育等專業領域的技術突破上，騰訊明顯落后于百度和阿里的系統性布局。

與百度、阿里建立構建統一的分布式計算框架（如飛槳、PAI），開發可復用的基礎算法組件相比，騰訊的創新，更像是一種“自上而下”的模式：即為特定產品優化算法性能，解決局部場景的技術問題。

這樣的技術差距，背后的根本原因在于騰訊的技術創新范式，與大模型這種需要持續深耕的底層技術存在結構性矛盾。

可以說，從早期的QQ到微信，再到現在的AI大模型，馬化騰式的商業智慧，更多地體現在資本配置和生態搭建上，而非原始技術突破。

在互聯網時代，騰訊通過投資大量初創公司和科技企業，以“買、買、買”的策略，極快的速度擴展了業務版圖。在大模型和AI領域，騰訊大模型開發更多依賴開源技術和已有算法框架，但在核心技術積累上，并未能形成像百度的飛槳、阿里的M6這樣的自研基礎設施。

這助力騰訊構建了一個龐大、穩固的商業生態，但也形成了一種“宿命式”的依附。