浙商证券：OpenAI谷歌相继发力 有望引领多模态大模型浪潮

　　OpenAI 发布文生视频模型 Sora，可遵循用户的指示生成长达一分钟的***，并保持视觉质量。浙商证券发布研报称，OpenAI 发布 Sora 模型，有望开启多模态大模型的新一轮浪潮。

　　以下为研报摘要：

　　近日，OpenAI 发布文生***模型 Sora，可遵循用户的指示生成长达一分钟的***，并保持视觉质量；而谷歌发布 Gemini 1.5 Pro 大模型，可支持超长文本上下文推理，并且多模态能力表现优异，可精确捕捉电影***细节。我们认为在 OpenAI、谷歌的引领下，有望开启多模态大模型的新一轮浪潮。

　　OpenAI 发布 Sora 文生***模型，可生成最长一分钟***

　　北京时间 2024 年 2 月 16 日，OpenAI 发布文生***模型 Sora，可遵循用户的指示生成长达一分钟的***，并保持视觉质量。Sora 能够生成包含多个角色、特定类型的动作以及主体和背景的准确细节的复杂场景。在 OpenAI ***上可看到多个由 Sora 模型生成的***案例，如时尚女子在东京街头、猛犸象在雪原上行走、在艺术馆中边走边欣赏艺术品等等；

　　Sora 模型基于 DALL-E 和 GPT 模型研究成果，可实现***加工、拼接等功能

　　除了基于文本生成***的能力，Sora 模型也可以接受其他输入，例如预先存在的图像或***。Sora 能够执行多种图像和***编辑任务，如创建循环***、为静态图像添加动画、将***向前或向后延伸、将两段***进行拼接等。

　　OpenAI 官方技术文档指出，研究人员探索了生成模型在***数据上的大规模训练，并在时长、分辨率和宽高比可变的***和图像上联合训练了文本条件下的扩散模型。与大语言模型使用文本 Token 不同的是，Sora 模型使用了视觉补丁（Visual Patches）方法，OpenAI 证明了这种视觉补丁的方法在***/图像生成模型中非常有用。

　　谷歌发布 Gemini 1.5 Pro 大模型，长文本及多模态推理能力出色

　　美国时间 2024 年 2 月 15 日，谷歌发布基于 MoE 架构的 Gemini 1.5 Pro 大模型，是基于前期发布的 Gemini 1.0 Pro 的更新版本。大模型在处理 530，000 token 文本时，能够实现 100%的检索完整性，在处理 1，000，000 token 的文本时也可达到 99.7% 的检索完整性。在多模态能力方面，Gemini 1.5 Pro 能够分别在约 11 小时的音频资料和大约 3 小时的***内容中，100%成功检索到各种隐藏的音频片段或视觉元素。根据谷歌***信息，Gemini 1.5 Pro 可实现对阿波罗 11 号的 402 页飞行记录、或是 44 分钟的无声电影内容的准确推理。

　　看好 2024 年多模态大模型以及大模型在 3D 建模、***领域迎来爆发

　　我们在 2023 年 11 月 15 日发布的《大地回春，百花齐放——计算机行业 2024 年度策略》中提出，2024 年国内外厂商有望发布更加复杂的多模态大模型，实现文本、语音、图像以及音***等多模态数据的复杂处理和交互。我们认为 OpenAI 发布 Sora 模型，有望开启多模态大模型的新一轮浪潮。