斯坦福20亿参数端测多模态AI Agent模型大升级，手机汽车机器人都能用

允中发自凹非寺

量子位 | 公众号 QbitAI

全球首个超小型多模态AI Agent模型Octopus V3，来自斯坦福大学的NEXA AI团队，让Agent更加智能、快速、能耗及成本降低。

今年四月份初，NEXA AI推出了备受瞩目的Octopus V2，该模型在函数调用性能上超越了GPT-4，减少了95%的推理时所需的文本量，为端侧AI应用带来了新的可能性。其专利性核心技术“functional token”通过创新的函数调用方式显著减少推理时所需的文本长度。

这种方法使得模型能够在只有20亿参数的情况下实现高效训练，并在精度和延迟方面超越了GPT-4，适应了各种端设备的部署需求。

发布以来，Octopus V2在LLM社区获得了广泛关注，受到了AI领域大量前沿技术专家及研究者的赞赏，如Hugging Face的CTO Julien Chaumond、知名AI Newsletter Rundown AI的创始人 Rowan Cheung以及Figure AI的创始人Brett Adcock、OPPO边缘人工智能团队负责人Manoj Kumar，称其“开创了端侧AI技术新纪元”。

在知名开源AI平台Hugging Face上，Octopus V2下载量已经超过12000次。

在不到一个月的时间里，NEXA AI团队发布下一代多模态AI Agent模型Octopus V3，展现进一步突破：具有图像处理和多语言文本处理能力，为智能手机等端侧设备真正走向AI时代铺平了道路。

首个参数量小于10亿的多模态AI Agent模型

Octopus V3不仅拥有多模态能力，在函数调用性能上远超同类模型，可媲美GPT-4V+GPT4；而且模型参数量不到10亿，具有多语言能力。

也就是说，相比传统的大型语言模型，它体积更小，能耗更低，能够更加轻松地在各种小型端设备上运行，比如树莓派，并做到高速且准确的函数调用。

这意味着，未来AI Agent能够广泛应用于智能手机、AR/VR、机器人、智能汽车等端侧设备，为用户交互体验更加流畅、智能。

另一方面，由于V3具有多模态处理能力，可同时处理文本和图像输入，再加上多语言能力，也将让用户体验更加丰富。

例如，在Instacart购物应用中，用户可以通过一张菠萝的图片及简单的对话指令，让AI Agent自动为他们搜索商品，提高了效率和用户的体验。

再比如，在发送邮件等场景中，Octopus V3可以根据一张具有文字的图像，自动提取信息并填写邮件内容，为用户提供更加智能、便捷的服务。

从软件交互到智能汽车，端侧AI潜力巨大

基于这些特性，Octopus V2及V3的应用场景丰富多样，具有广泛的应用前景。

除上文提到的手机场景，当Octopus V2应用在智能汽车上时，也能带来新的交互体验。目前的语音助手往往难以帮助车主完成较为复杂的任务，如在驾驶途中临时改变目的地、加入额外停靠点等。应用Octopus V3后，AI助手能够基于较为模糊简单的指令快速、精准地完成相应任务。

结合V2、V3的能力，从信息检索、到基于指令完成设计，用户可以在虚拟场景下获得流畅的AI体验：在一个社区用户的VR场景demo中，输入简单的语音指令后，AI Agent能够帮助用户快速完成一个客厅设计，在弹指间替换沙发、改变颜色灯光等。在用户输入旅行指令后，用户快速来到了日本，而AI Agent同样可以在简单的对话式交流中帮助用户搜索相应景点，提供丰富的信息。

数据显示，全球大型语言模型市场规模正在快速增长。Granview Research报告显示，全球大型语言模型市场规模估计为43.5亿美元，并预计从2024年到2030年的复合年增长率为35.9%。同样，边缘人工智能市场也呈现出蓬勃发展的势头——预计从2023年到2030年，全球边缘人工智能市场的复合年增长率为21.0%，到2030年将达到664.78亿美元。

NEXA AI团队由斯坦福大学的杰出研究人员创立。

创始人兼首席科学家Alex Chen（陈伟）正在攻读斯坦福大学的博士学位，拥有丰富的人工智能研究经验，并且曾担任斯坦福华人创业协会（Stanford Chinese Entrepreneurs Organization）的主席。

联合创始人兼首席技术官Zack Li（李志远）也是斯坦福大学的毕业生，并在Google和Amazon Lab126实验室拥有4年端侧AI的一线研发经验，同样曾经担任斯坦福华人创业协会的主席。

斯坦福大学副教授、斯坦福技术创业项目副主任Charles (Chuck) Eesley担任顾问，为团队提供指导和支持。