近日,“2024福布斯中国人工智能科技企业TOP 50”评选结果揭晓,上海蜜度科技股份有限公司(以下简称“蜜度”)获评“人工智能创新技术TOP 10”,该评选旨在表彰在人工智能技术研发和创新方面表现突出的企业,包括在机器学习、深度学习、自然语言处理等领域有重要突破和应用的企业。
▲人工智能创新技术评选TOP 10榜单
本次福布斯所公布的人工智能创新技术榜单以及其他相关榜单,均经过福布斯中国人工智能科技企业评委会主任委员筛选、打分、复核审核后方能确立。评选历经各评审委员对报名企业名单的初步筛选、专家及政策研究机构的分析及行业情况的综合评价、专业评审团队对各项评分项目进行深入分析,最终给出综合评选结果。该评委会由科研专家、投资专家、人工智能领域企业家、协会领导、媒体专家等组成,其成员身份涵盖多个领域,确保了评选过程的全面性和专业性。
作为一家语言智能与垂直大模型企业,蜜度专注于多模态、多语言智能科技,基于自主研发的蜜巢、文修大模型和六大AI算法引擎,提供智能检索、智能校对、智能生成三大核心应用,为政府、媒体和企业客户提供智能、安全、高效的“AI+”解决方案,在政务服务便民热线、大型企业内部知识管理与问答、社交媒体智能舆情分析等垂直应用场景,取得了显著成绩。
专家评审委员会评价到,此次蜜度进入“人工智能创新技术TOP 10榜单”是由于其蜜巢政务大模型和文修智能校对大模型展现了强大的智能化能力和在政企办公场景的广泛应用。
数据与AI算法双轮驱动是蜜度在人工智能领域持续创新的原动力。蜜度的自然语言处理(NLP)、计算机视觉(CV)等核心技术能力处于行业领先水平,深耕行业多年累积的海量图文音视频资源为大模型研发提供了高质量语料数据支撑。今年初,蜜巢政务大模型、文修智能校对大模型两个垂直大模型完成备案。3月1日,基于蜜巢政务大模型的智能知识管理平台知知通、文稿智能写作平台蜜度文稿通上线。3月22日,智能校对大模型文修2.0版本在天津发布,在校对领域专有模型中,首次达到了70亿参数规模。
此前,蜜度已经获得上海市“专精特新”企业、科技小巨人企业以及市级企业技术中心的认定。蜜度自主研发的蜜巢政务大模型,具备“自主安全双引擎 ,应用丰富落地强”的特点。蜜巢研发过程中,以自主积累的海量高质量中文语料数据为基础,构建了Token数超1万亿、中文内容占比超75%的高质量语料数据集用于预训练工作,通过从优质预训练语料入手,保障了模型的安全可信、自主可控。
此外,蜜巢融合书生·浦语大模型,构建“双引擎”协同机制,聚焦智能知识管理、文稿智能写作、智能舆情分析三大垂直应用方向,赋能各类应用场景的深度开发与高效落地实施。
文修智能校对大模型通过运用高质量数据学习多种特色子任务,成功提升了中文校对和润色的智能化程度。这项技术的成功应用在新闻出版、媒体稿件、政务公文等专业领域,为用户提供了高效的校对服务,并针对用词不当、句式杂糅等措辞与表述问题进行修饰和优化,使得句子表达更为流畅。
蜜度在积极开展技术研发的同时,也重视用户在垂直应用场景中的真实需求和产品落地。以知知通、蜜度文稿通、新浪舆情通、蜜度校对通为代表的智能应用平台,为大模型能力在政企办公场景的商业化落地提供了创新产品支撑,提升了用户体验和工作效率。例如,知知通服务于市民服务热线平台,构建了文档问答库,能够迅速将市民反馈的语音转换为文本并提取关键信息,帮助话务员快速准确地回复问题,助力业务效率整体提升80%以上。
未来,蜜度将持续投入研发和创新,并进一步拓展与业务深度结合的应用场景,以自研大模型为更多行业注入人工智能的技术活力,为政企办公场景提供优质高效、低成本、低门槛的大模型服务,赋能千行百业新质生产力的发展。
好文章,需要你的鼓励
新加坡国立大学研究团队开发了名为IEAP的图像编辑框架,它通过将复杂编辑指令分解为简单原子操作序列解决了当前AI图像编辑的核心难题。研究发现当前模型在处理不改变图像布局的简单编辑时表现出色,但在需要改变图像结构时效果差。IEAP框架定义了五种基本操作,并利用思维链推理技术智能分解用户指令,实验证明其性能显著超越现有方法,尤其在处理复杂多步骤编辑时。
Character AI的研究者开发出TalkingMachines系统,通过自回归扩散模型实现实时音频驱动视频生成。研究将预训练视频模型转变为能进行FaceTime风格对话的虚拟形象系统。核心创新包括:将18B参数的图像到视频DiT模型改造为音频驱动系统、通过蒸馏实现无错误累积的无限长视频生成、优化工程设计降低延迟。系统可让多种风格的虚拟角色与人进行自然对话,嘴型与语音同步,为实时数字人交互技术开辟了新可能。
这项由中国人民大学高瓴人工智能学院研究团队发表的研究解决了大语言模型评判中的自我偏好问题。研究提出了DBG分数,通过比较模型给自身回答的分数与黄金判断的差异来测量偏好度,有效分离了回答质量与自我偏好偏差。实验发现,预训练和后训练模型都存在自我偏好,但大模型比小模型偏好度更低;调整回答风格和使用相同数据训练不同模型可减轻偏好。研究还从注意力分析角度揭示了自我偏好的潜在机制,为提高AI评判客观性提供了重要指导。
这篇研究提出了DenseDPO,一种改进视频生成模型的新方法,通过三大创新解决了传统方法中的"静态偏好"问题:使用结构相似的视频对进行比较,采集细粒度的时序偏好标注,并利用现有视觉语言模型自动标注。实验表明,DenseDPO不仅保留了视频的动态性,还在视觉质量方面与传统方法相当,同时大大提高了数据效率。这项技术有望推动AI生成更加自然、动态的视频内容。