衡宇 发自 凹非寺
量子位 | 公众号 qbitai
当大模型赛道中不少玩家明确表示放弃基础大模型研发，心思放在更聚焦的方向上时，阶跃星辰站出来——就像这家公司第一次亮相时那样，给外界一个明确的回答：
我们会坚持基础大模型研发。
创始人兼ceo姜大昕解释了背后逻辑。
一方面，大模型行业的趋势技术发展还是在非常陡峭的区间。他也很感慨ai行业发展瞬息万变，“去年大家觉得gpt-4很牛，今天他都快下架了”，等到明年看今年的技术，同样会觉得微不足道。
姜大昕说，阶跃不想在这个过程中放弃主流增长或前进的趋势，所以还是会坚持做基础模型的研发。
另一方面，从应用的角度来看，阶跃仍然相信应用和模型是相辅相成的。
“模型可以决定应用的上限，应用给模型提供具体的应用场景和数据。”姜大昕表示，虽然阶跃的产品形态随着模型的演变是动态发展的，但这样的逻辑关系还是一直保持下去的。
确实如他所说，在过去的一年里，阶跃星辰旗下产品从命名、布局和形态上都发生了转变。
主打的c端助手app，由“跃问”改名为“阶跃ai”，意味着它从类chatgpt产品到agent的转变；产品重点形态从用户普遍直接使用的手机app变成了端云一体agent平台。
“虽然我们的智能终端agent和头部企业合作，但总体而言，阶跃的产品最终是服务c端的。”姜大昕表示，“不管作为助手类也好、内容类也好，都有非常大的机会。”
大模型领域的两条显著趋势
姜大昕同时强调，模型的突破是早于商业化的。就拿openai来说，是先有了gpt-3.5，才有了chatgpt。
因此，在基座模型上面继续投入以追求智能的上限，仍然是当下最重要的一件事。
要怎么去不停触碰智能的边界or天花板？不如先来看看这个领域里最前沿的趋势有哪些。
姜大昕复盘道，趋势共有如下两条：
一条是“模仿学习到强化学习”，另一条是“从多模态融合走向了多模态理解生成一体化”。
从模仿学习到强化学习的技术演进大家已经非常熟悉， openai的o1、o3，以及deepseek-r1背后采用的都是强化学习技术，也是现在大模型玩家争先恐后着重投入的方向。
第二条趋势则关乎多模态。
姜大昕再次提到了那句他在多个场合不停重复提及的话：多模态是实现agi的必经之路。
无论是从人类智能的多元化角度（符号智能、视觉智能、空间智能等），还是从垂直领域ai应用需求来说，大模型的多模态能力都必不可少。
在这样的认知指导下，阶跃星辰在研发基座模型时采取了散弹式打法：
成立两年，公司累计发布22款基座模型，覆盖文字、语音、图像、视频、音乐、推理等系列。
其中有16款是多模态模型，占据总数七成；这些多模态模型又分属图像理解、视频理解、图像生成、视频生成、图像编辑、音乐生成、多模态推理等方向。
业界公认阶跃是多模态卷王，也不是没有道理。
多模态理解生成一体化才是未来
至于如何追求智能的上限，阶跃目前行进的路线与第一次公开亮相时所讲的那样一般无二，即“单模态——多模态——多模态理解和生成的统一——世界模型——agi”。
姜大昕重点解释了关于“多模态理解生成一体化”的部分。
它意味着多模态模型的理解和生成用一个模型来完成，而不是“视频/图像/语言转文本——文本理解与生成——生成结果转视频/图像/语音”的三段式过程。
大语言模型的理解生成一体化，已经有类gpt实现统一；然而在视觉领域并不如此，人们往往在理解视觉内容时选择一个模型，在生成内容时调用另一个模型。
这并不是一个可以直接从语言模型的ntp（next-token-prediction）直接迁移到视觉模型的nfp（next-frame-prediction）的简单事。
语言文本模态是低维度离散分布的，而视觉模态是高维度连续分布，这也就是说后者在进行训练学习时，复杂性更高。
从技术角度来看，视觉领域的内容生成需要理解来控制——如果想保证生成内容有意义、有价值，实际上需要对视觉的“上下文”作出更好的理解。
反言之，理解需要生成来监督。姜大昕解释说，就是“只有生成了的时候才是真正的理解了”。
现在，视觉领域还没有出现自己的transformer架构，阶跃就是想做出一个视觉领域的、生成一体化架构，并且是非常scalable的。
姜大昕分享道，gpt-4o可能已经实现了多模态理解生成一体化，而阶跃的图像编辑模型step1x-edit也初步实现了这一点。
之所以称其为“初步”，是阶跃觉得step1x-edit的效果依然有很大改进空间，还可以在架构上做进一步的优化，数据上也可以做进一步的打磨，让它的效果变得更好一些。
但具体走哪条路线能精益求精，不管是阶跃内部还是业界都没有公认的真理。姜大昕表示，在这一方面，阶跃内部多有条技术路线并行，因为确实哪一条路线都会有可能出现突破。
“一旦突破以后，今后的道路会更加顺畅。”姜大昕称。
one more thing
既然认可多模态理解生成一体化才是未来，为什么阶跃不把所有的精力集中在step-r1-v-mini这样的多模态推理模型上，反而是要在各个模态上都发力呢？
量子位把这个问题抛给了姜大昕。
他很坦然，表示也想过做，但这行不通。
理解生成一体化是非常综合素质的考验。
首先要理解。如果语言模型不行就谈不上理解，何况现在语言模型又进化到了推理模型，这块不能省。
第二要做视觉推理。视觉推理是视觉理解的升级，所以要做视觉理解。
要做理解生成一体化还要有生成端，所以生成也必须做。
简单点说，做理解生成一体化，必须自身具备非常强的综合实力。
但姜大昕信心满满，“我们几条线的能力都非常强，所以才可以组合起来去探索这个路径”。
