Google发布Gemma 2 2B和Gemini 1.5 Pro，FLUX开源图像的新标杆，这就是这周的AI大新闻。

1.Google 发布 Gemma 2 2B和 Gemini 1.5 Pro 

链接：https://developers.googleblog.com/en/smaller-safer-more-transparent-advancing-responsible-ai-with-gemma/?_bhlid=5811c5dce25719cc96adfd54bc6818d0aa07cc11

Google上周也开始发力了，先后发布了Gemini 1.5 Pro和Gemma 2 2B 模型。

其中Gemini 1.5 Pro 0801在LLM竞技场的综合排名超过了GPT-4o mini变成了第一位。谷歌说这是一个实验版本还不算正式版本，所以只在AI Studio中提供。

但是从测试来看Gemini 1.5Pro 0801的多模态能力非常强大，基本超过了GPT-40和Claude 3.5，而且它支持音频以及视频,我用一个一个多小时的播客文件试了一下,十几秒就总结好了。

另外Google还发布了Gemma 2 2B这个可以在设备端运行的模型,这个模型在LLM竞技场上的得分也超过了一众比它大很多的LLM。

这是量化过的Gemma 2 2B再加上MLX之后在iPhone 15pro上的运行效果。

而且这个模型还内置了谷歌新发布的安全分类器ShieldGemma，这个分类器可以有效检测仇恨言论、骚扰、性暗示内容以及危险内容。

 

2.FLUX开源图像的新标杆

链接：https://blackforestlabs.ai/announcing-black-forest-labs/

开源图像领域在SD3模型出现问题之后就有一蹶不振的趋势，新玩意和玩法越来越少，大家急需一个足够强大的图像模型来保证社区发展。

刚好这个模型就来了，前Stability AI核心成员Robin Rombach 创立了一个新的公司并且获得了3200万美元的融资。同时他们直接发布了一个系列的图像生成模型，其中两个还是开源的。

从我自己的测试和这几天各种测试来看，这个模型在各种意义上真的接近了Midjourney的质量。

他们发布的FLUX系列模型包括:

• FLUX.1[pro]:FLUX.1的最佳版，提供最先进的性能图像生成，拥有一流的提示跟随、视觉品质、图像细节和输出多样性。
• FLUX.1[dev]:FLUX.1[dev]是用于非商业应用的一个开放权重的导向精馏模型。直接从FLUX.1[pro]精馏而来，FLUX.1[dev]获得了类似的质量和提示词依从能力，同时比相同尺寸的标准模型更高效。可以非商业使用。
• FLUX.1[schnell]:最快型号专为本地开发和个人使用而设计。FLUX.1[schnell]在Apache 2.0许可下公开可用。同时已经获得了ComfyUl的支持，可以直接使用。

 

而且他们正在训练类似Sora的DiT视频生成模型，可能也会开源，官网上放的视频可能是他们视频生成模型的样片。

不过他们的负责人好像表示由于Dev和Schnell都是从Pro 模型蒸馏来的所有两个模型的微调效果都不会很好，希望有大神可以解决这个问题。

另外使用Fp8版本的Dev模型可以稳定在4090上本地运行，也有可以在16G或者12G显存上运行的方法，就是有点麻烦。

你可以在这里快速体验FLUX系列模型：

https://replicate.com/collections/flux

这里下载模型：

https://huggingface.co/black-forest-labs

这里是ComfyUl的工作流:

https://comfyanonymous.github.io/ComfyUl_examples/flux/

 

3.Meta 发布 SAM 2 分割模型

链接：https://ai.meta.com/blog/segment-anything-2/

上周Meta 在图像领域也继续发力，发布了Meta Segment Anything Model 2(SAM 2)图像分割模型。

用于实时、可提示的图像和视频对象分割，实现了视频分割体验的飞跃，实现了图像和视频应用之间的无缝使用。SAM 2在图像分割准确性方面超越了以前的能力，并且与现有作品相比，实现了更好的视频分割性能，同时需要三分之一的交互时间。

SAM 2还可以分割任何视频或图像中的任何对象(通常描述为0-shot泛化)，这意味着它可以应用于以前未见过的视觉内容，无需自定义适应。

同时发布的还有一个SA-V:最大的视频分割数据集，SA-V数据集包含的注释数量多出一个数量级，视频对象分割数据集中的视频数量大约是现有数据集的4.5倍。

SA-V的主要特点有:大约51000个视频上有超过600,000个遮罩注释。展示地理多样性、真实场景的视频,搜集自47个国家。覆盖整个对象、对象部分以及具有挑战性的情况的注释,例如对象被遮挡、消失和重新出现。

这个演示就很离谱，SAM2可以从一个非常模糊，画面非常负责的航拍视频中稳定跟踪和分割指定人物。

这里下载模型:

https://github.com/facebookresearch/segment-anything-2

这里体验SAM2:

https://sam2.metademolab.com/

 

 其他动态 ? 

1. Meta发布了一个Playground用来测试他们的AI功能，目前支持四个工具Segment Anything 2, lllustration Animation，Audiobox和一个语音翻译工具。

https://sam2.metademolab.com/demo

2.Stability AI 推出了Stable Fast 3D，这是一种新的3D生成模型，可在短短0.5秒内将单个图像转换为详细的3D资产。

https://stability.ai/news/introducing-stable-fast-3d

3.Figure即将在0806发布他们的新机器人，预告的预告拍的很好，机器人很精致完全不像工程机。

https://x.com/Figure_robot/status/1819388819638309286

4.Hedra 宣布了1000万美元的融资，用于打造下一代故事讲述技术，为内容创作者赋能。

https://www.hedra.com/blog/announcement

5.Runway发布了Gen3的Turbo版本，推理成本和生成速度大幅下降。生成速度比原始模型快了7倍，未来也会免费提供给用户，费用也大幅降低。同时发布了图生视频功能也已经上线。

https://x.com/runwayml/status/1818685167948435968

6.著名的AI绘画产品Leonardo宣布自己被Canva收购，未来原始的站点依然会更新和运营。

https://leonardo.ai/news/supercharging-leonardo-with-canva/

7.著名的AI陪伴型应用Character AI被谷歌收购，核心研发团队加入谷歌，公司谷歌注资继续独立运营。

https://blog.character.ai/our-next-phase-of-growth/

8.Midjourney V6.1版本更新。最大的变化是更丰富的画面细节和清晰度，即使远处的人脸也不容易崩了。新增 -- q2模式,生成图片会有更多纹理。

https://x.com/midjourney/status/1818342703618482265

9.Open Al推出了GPT-40长输出版本，最多可以输出64K Token。这个模型每百万 Token 18美元。

https://openai.com/gpt-4o-long-output/

10.又一个DiT视频生成模型，生数科技的Vidu上线了，目前来看处于第二梯队。

https://www.vidu.studio/create

11.苹果的AI功能终于上了，iOS Beta 18.1 更新之后的15pro和Max可以启用，国行手机无法绕过限制启用。

12.快手的开源表情视频生成工具LivePortrait，现在支持将人类表情迁移到动物面部上去。

https://poe.com/LivePortrait

13.Cohere推出Prompt Tuner提示词优化工具，使用可定制的优化和评估循环来改进生成语言用例的提示。

https://cohere.com/blog/intro-prompt-tuner

 

 精选文章 ? 

1.生成式人工智能对在线知识社区的影响

链接：https://www.nature.com/articles/s41598-024-61221-0

探讨了大型语言模型(LLMs)如ChatGPT对在线知识社区的影响，特别是在Stack Overflow 和Reddit开发者社区的用户参与度和内容创作方面。

通过对 Stack Overflow和Reddit开发者社区的分析，研究发现ChatGPT 的推出导致Stack Overflow的网站访问量和问题提交量显著减少，尤其是在ChatGPT领域能力强的话题中。而Reddit的开发者社区却没有显示出类似的下降，这可能是因为Reddit社区的社会结构更为紧密，能够缓冲LLMs的负面影响。

 

研究表明,在ChatGPT发布后，Stack Overflow上的用户活动中,新用户更有可能退出社区，而且提出的问题变得更加复杂和高级。这表明初学者可能更依赖于ChatGPT而不是人类同行，同时社交较少的用户更容易受到LLMs的影响。

 

研究强调,社区结构和用户间的社交联系对于维持社区活力和吸引力至关重要。管理者应该鼓励社交化活动，作为补充纯粹的信息交换，以对抗LLMs可能带来的社区退化。

 

2.Llama 3.1论文精读·1.导言【论文精读·54】

链接：https://www.bilibili.com/video/BV1WM4m1y7Uh/vd_source=e99f85042059f2864f5cca20d71575f0

断更许久的AI大神李沐的B站账号终于恢复了更新，讲的是Llama 3.1的论文的第一部分导言部分。

Meta发布了Llama 3.1系列新模型，最大参数规模达405B，支持多语言和工具使用。这一系列模型采用128K的上下文长度和稠密架构，进一步巩固了Llama在开源模型领域的领先地位。Llama团队规模已扩大至数百人，他们强调简化模型设计，使用15T多语言数据进行训练，在数据量和质量间寻求平衡。

 

Llama模型采用预训练和后训练两个阶段。预训练阶段简单预测下一个词,而后训练阶段则按照指示执行任务或提升能力。Llama团队采用简单直接的后训练过程，强调使用朴实的算法来维持低复杂度。在评估中，团队探讨了不同规模模型的表现、考试解法、模型记忆能力以及各种答题方式对模型调教的影响。

 

Mistral公司发布了120B参数的Large Enough模型，声称其性能优于Llama 3。这引发了Mistral与Meta(Llama团队)之间的争议。Mistral强调其模型的性价比和优越性，而Meta对此表示不满，甚至更新了相关协议。两家公司之间的竞争和纷争引发了业内广泛关注，也为未来Al模型发展带来了更多期待。

 

3.LLM幻觉指数特别报告

链接：https://www.rungalileo.io/hallucinationindex

LLM Hallucination Index-RAG Special主要介绍了一个评估大型语言模型(LLM)幻觉现象的指数，涵盖了22款领先的模型，并通过不同长度的上下文测试,评估了它们的表现，特别关注了基于检索增强生成(RAG)的任务。

评估过程包括三种不同长度的上下文测试：短上下文(少于5ktokens)、中上下文(5k到25k tokens)和长上下文(40k到100k tokens)。通过这些测试，网页提供了模型在不同上下文长度下的表现数据，并总结了一些趋势，例如开源模型在性能上逐渐接近闭源模型，以及模型在长上下文测试中的表现可能不逊于短上下文测试。

 

4.量化的视觉指南

链接：https://newsletter.maartengrootendorst.com/p/a-visual-guide-to-quantization

详细探讨了量化技术在大型语言模型(LLMs)中的应用。作者首先指出了LLMs参数众多且需要大量内存的问题，然后介绍了量化的目的是在不失太多精度的情况下减少参数的位宽，例如从32位浮点数减少到8位整数。

文章分为四个部分：第一部分讨论了LLMs的问题以及如何表示数值；第二部分介绍了量化的基础知识,包括对称和非对称量化，以及范围映射和裁剪；第三部分探讨了后训练量化(PTQ)，包括动态和静态量化，以及4位量化的方法如GPTQ和GGUF；第四部分则介绍了量化感知训练(QAT)，以及如何使用BitNet将模型权重量化到1位，并提到了1.58位量化的优势和方法。

 

5.a16z:为什么人工智能将改变下一代销售技术

链接：https://a16z.com/ai-transforms-sales/

主要讨论了人工智能(AI)如何彻底改变未来的销售技术，强调AI将重塑销售流程和工作流程，并可能导致现有的销售软件栈发生根本性变化。

每个初创企业与现有企业之间的竞争，实际上是看谁能在对方创新之前获得分销权。在销售技术领域，人们容易认为像Salesforce和Hubspot这样的现有企业拥有优势。然而，由于AI的到来，这些公司的核心系统记录和销售工作流程可能会被根本性地重塑。AI不仅能够从文本、图像、语音和视频等多种模式中提取客户洞察，还能够自动化销售流程，如潜在客户的研究和电话准备等。文章进一步探讨了Al如何改变销售活动，以及新兴的AI本地销售解决方案如何不仅仅是现有类别的AI增强版本，而是能够实现新的主动销售动作，并服务于多种用例。

 

6.一个AI能制作基于数据的视觉故事吗?

链接：https://a16z.com/ai-transforms-sales/

The Pudding 的团队对AI的能力进行了探索性的测试，通过与AI（特别是Anthropic的AI产品Claude）的互动，尝试创建一个数据驱动的故事。他们将整个过程分为四个阶段：创意生成、数据收集与分析、故事板与原型制作以及开发与写作。在每个阶段,他们都对Al的表现进行了评估和打分。

整体而言,AI在辅助完成特定任务方面表现出一定的能力，但在处理复杂的编程问题和创造性的内容创作方面存在明显的不足。The Pudding 的团队认为，尽管AI可以作为一个有用的工具，但它目前还不能完全取代人类在数据驱动故事创作方面的工作。

 

7.你应该如何实现AI功能的货币化?

链接：https://www.lennysnewsletter.com/p/how-should-you-monetize-your-ai-features

作者Palle Broe，曾在Uber和Templafy担任过定价策略职务，并为多家科技公司提供了货币化策略咨询。他在这篇文章中分析了44家科技公司如何对AI产品和特性进行定价，并基于这些数据和自身经验，提出了一个框架，帮助其他公司决定如何定价自己的AI产品和特性。

文章深入探讨了直接货币化的三种核心策略:增值服务、独立产品和捆绑在计划中但价格增加。文章还提供了一个决策图表，帮助公司根据Al特性的普及度和用户对其价值的认可程度来决定定价策略。

 

 重点研究 ? 

1.Fotographer ai Fuzer v0.1:超越图像生成控制

链接：https://huggingface.co/spaces/fotographerai/Fai-Fuzer

Fotographer出了一个很牛的商品图拍摄项目。效果比只用IC light的工作流好非常多，而且玻璃之类的东西跟环境融合也很好。商标和文字也可以完全保留。

需要上传已经抠图的产品图片，输入背景提示词和前景对产品的提示词描述。

 

2.Apple Intelligence Foundation Language Models

链接：https://arxiv.org/pdf/2407.21075

苹果发布了一篇47页的论文。详细介绍了他们AI系统的全部架构。相当的坦诚了。

Apple为其智能功能开发的两个基础语言模型-AFM-on-device(约30亿参数)和AFM-server(更大的服务器模型)。详细描述了模型架构、训练数据、训练过程、推理优化和评估结果。

这对于了解下一代设备端机器学习技术的发展方向非常有帮助。期待后续会有更多相关信息发布。

这里有VB的详细总结和翻译。

https://x.com/op7418/status/1818220057354465281

 

3.HoloDreamer:从文本描述生成全景3D世界

链接：https://zhouhyocean.github.io/holodreamer/

HoloDreamer这个项目可以生成封闭的3D场景。

从演示来看质量高的离谱，感觉可以成为Al视频里面场景一致性的解决方案。

先生成高清全景图作为整个3D场景的整体初始化，然后用3D高斯散射技术快速重建3D场景。

从而实现视角一致且完全封闭的3D场景创建。

 

4.HumanVid:为相机可控的人体图像动画揭秘

链接：https://humanvid.github.io/

1CUHK和上海Al lab的论文,HumanVid可以从角色照片生成视频，同时允许用户控制人物和摄像机动作。从演示来看效果好的有点离谱，希望可以尽快放出代码和模型。

提出了HumanVid，这是为人类图像动画量身定制的第一个大规模高质量数据集，结合了精心设计的真实世界数据和合成数据。对于真实世界数据，我们从互联网编制了大量免版税的真实世界视频。通过一个精心设计的基于规则的过滤策略，我们确保包括高质量视频，结果是拥有1080P分辨率的20000个人为中心视频收集。我们使用2D姿势估计器和基于SLAM的方法进行人类和摄像机运动标注。对于合成数据，我们收集了2300个免版税的3D头像资产，以增加现有的可用3D资产。值得注意的是，我们引入了一种基于规则的摄像机轨迹生成方法，使合成流程能够融入多样化和精确的摄像机运动注释，这在现实数据中很少见。

 

5.Anthropic:解释性研究中新的五大挑战

链接：https://transformer-circuits.pub/2024/july-update/index.html

解释性研究中面临的五大挑战，包括特征提取的不完整性、跨层超пози问题、注意力超пози问题、干扰权重问题以及从微观到宏观的理解转换问题。作者们认为，尽管存在这些挑战，但仍然有理由乐观，因为可能存在一些尚未探索的问题，这些问题可能有较低的门槛。此外，这些问题不会像以往的超no3n问题那样相互阻碍，因此可以并行攻克。

 

6.Tora:面向轨迹的DIT用于视频生成

链接：https://ali-videoai.github.io/tora_video/

这是第一个面向轨迹的DiT框架，同时整合了文本、视觉和轨迹条件以用于视频生成。具体而言，Tora包括轨迹提取器(TE)、时空DiT和运动引导融合器(MGF)。TE将任意轨迹编码为具有层次结构的时空运动补丁，使用3D视频压缩网络。MGF将运动补丁整合到DiT块中，以生成遵循轨迹的一致视频。我们的设计与DiT的可扩展性完美契合，可以精确控制视频内容的动态，包括不同持续时间、宽高比和分辨率。