衡宇 發自 凹非寺
量子位 | 公眾號 qbitai
當大模型賽道中不少玩家明確表示放棄基礎大模型研發，心思放在更聚焦的方向上時，階躍星辰站出來——就像這家公司第一次亮相時那樣，給外界一個明確的回答：
我們會堅持基礎大模型研發。
創始人兼ceo姜大昕解釋了背後邏輯。
一方面，大模型行業的趨勢技術發展還是在非常陡峭的區間。他也很感慨ai行業發展瞬息萬變，「去年大家覺得gpt-4很牛，今天他都快下架了」，等到明年看今年的技術，同樣會覺得微不足道。
姜大昕說，階躍不想在這個過程中放棄主流增長或前進的趨勢，所以還是會堅持做基礎模型的研發。
另一方面，從應用的角度來看，階躍仍然相信應用和模型是相輔相成的。
「模型可以決定應用的上限，應用給模型提供具體的應用場景和數據。」姜大昕表示，雖然階躍的產品形態隨着模型的演變是動態發展的，但這樣的邏輯關係還是一直保持下去的。
確實如他所說，在過去的一年裡，階躍星辰旗下產品從命名、布局和形態上都發生了轉變。
主打的c端助手app，由「躍問」改名為「階躍ai」，意味着它從類chatgpt產品到agent的轉變；產品重點形態從用戶普遍直接使用的手機app變成了端雲一體agent平台。
「雖然我們的智能終端agent和頭部企業合作，但總體而言，階躍的產品最終是服務c端的。」姜大昕表示，「不管作為助手類也好、內容類也好，都有非常大的機會。」
大模型領域的兩條顯著趨勢
姜大昕同時強調，模型的突破是早於商業化的。就拿openai來說，是先有了gpt-3.5，才有了chatgpt。
因此，在基座模型上面繼續投入以追求智能的上限，仍然是當下最重要的一件事。
要怎麼去不停觸碰智能的邊界or天花板？不如先來看看這個領域裏最前沿的趨勢有哪些。
姜大昕復盤道，趨勢共有如下兩條：
一條是「模仿學習到強化學習」，另一條是「從多模態融合走向了多模態理解生成一體化」。
從模仿學習到強化學習的技術演進大家已經非常熟悉， openai的o1、o3，以及deepseek-r1背後採用的都是強化學習技術，也是現在大模型玩家爭先恐後着重投入的方向。
第二條趨勢則關乎多模態。
姜大昕再次提到了那句他在多個場合不停重複提及的話：多模態是實現agi的必經之路。
無論是從人類智能的多元化角度（符號智能、視覺智能、空間智能等），還是從垂直領域ai應用需求來說，大模型的多模態能力都必不可少。
在這樣的認知指導下，階躍星辰在研發基座模型時採取了散彈式打法：
成立兩年，公司累計發佈22款基座模型，覆蓋文字、語音、圖像、視頻、音樂、推理等系列。
其中有16款是多模態模型，佔據總數七成；這些多模態模型又分屬圖像理解、視頻理解、圖像生成、視頻生成、圖像編輯、音樂生成、多模態推理等方向。
業界公認階躍是多模態卷王，也不是沒有道理。
多模態理解生成一體化才是未來
至於如何追求智能的上限，階躍目前行進的路線與第一次公開亮相時所講的那樣一般無二，即「單模態——多模態——多模態理解和生成的統一——世界模型——agi」。
姜大昕重點解釋了關於「多模態理解生成一體化」的部分。
它意味着多模態模型的理解和生成用一個模型來完成，而不是「視頻/圖像/語言轉文本——文本理解與生成——生成結果轉視頻/圖像/語音」的三段式過程。
大語言模型的理解生成一體化，已經有類gpt實現統一；然而在視覺領域並不如此，人們往往在理解視覺內容時選擇一個模型，在生成內容時調用另一個模型。
這並不是一個可以直接從語言模型的ntp（next-token-prediction）直接遷移到視覺模型的nfp（next-frame-prediction）的簡單事。
語言文本模態是低維度離散分佈的，而視覺模態是高維度連續分佈，這也就是說後者在進行訓練學習時，複雜性更高。
從技術角度來看，視覺領域的內容生成需要理解來控制——如果想保證生成內容有意義、有價值，實際上需要對視覺的「上下文」作出更好的理解。
反言之，理解需要生成來監督。姜大昕解釋說，就是「只有生成了的時候才是真正的理解了」。
現在，視覺領域還沒有出現自己的transformer架構，階躍就是想做出一個視覺領域的、生成一體化架構，並且是非常scalable的。
姜大昕分享道，gpt-4o可能已經實現了多模態理解生成一體化，而階躍的圖像編輯模型step1x-edit也初步實現了這一點。
之所以稱其為「初步」，是階躍覺得step1x-edit的效果依然有很大改進空間，還可以在架構上做進一步的優化，數據上也可以做進一步的打磨，讓它的效果變得更好一些。
但具體走哪條路線能精益求精，不管是階躍內部還是業界都沒有公認的真理。姜大昕表示，在這一方面，階躍內部多有條技術路線並行，因為確實哪一條路線都會有可能出現突破。
「一旦突破以後，今後的道路會更加順暢。」姜大昕稱。
one more thing
既然認可多模態理解生成一體化才是未來，為什麼階躍不把所有的精力集中在step-r1-v-mini這樣的多模態推理模型上，反而是要在各個模態上都發力呢？
量子位把這個問題拋給了姜大昕。
他很坦然，表示也想過做，但這行不通。
理解生成一體化是非常綜合素質的考驗。
首先要理解。如果語言模型不行就談不上理解，何況現在語言模型又進化到了推理模型，這塊不能省。
第二要做視覺推理。視覺推理是視覺理解的升級，所以要做視覺理解。
要做理解生成一體化還要有生成端，所以生成也必須做。
簡單點說，做理解生成一體化，必須自身具備非常強的綜合實力。
但姜大昕信心滿滿，「我們幾條線的能力都非常強，所以才可以組合起來去探索這個路徑」。
