沟通会现场，袁行远首先向参会者展示了一个ChatGPT o1的问答：“假设ChatGPT4每天响应用户约2亿个请求，消耗超过50万千瓦时的电力。假设全球网络都使用ChatGPT作为访问入口，ChatGPT每天消耗多少电力？另外按照这个速度发展下去，到2050年全球人工智能的耗电量会达到目前地球发电能力的多少倍？”ChatGPT o1给出的答案是，“到2050年，全球人工智能的耗电量可能会达到目前地球发电能力的8倍”。

作为国内最早做LLM(大语言模型)的公司之一，彩云科技在2017年就已经开始做NLP和大模型方面的工作。目前，彩云科技旗下有彩云天气、彩云小梦、彩云小译三款面向C端用户的AI产品，是国内为数不多能够实现盈利的人工智能公司。

而在应用端，拥有四百万用户的彩云小梦，也迎来了基于全新DCFormer架构的V.3.5版本。与之前的版本相比，彩云小梦V3.5整体流畅性和连贯性提升了20%，支持前文长度由2000字提升至10000字，故事背景设定最长长度高达10000字。“这意味着，在故事创作或者与人工智能对话中，人工智能能够记住之前发生的事情，记住之前故事里发生的细节，人物记得自己明确的目标，并且会根据剧情及时进行反思修正。在做到自主创作的同时，发散性收敛，不会天马行空，人物性格前后一致，故事逻辑性更强。”

早在2017年，谷歌发布《Attention Is All You Need》论文，首次提出Transformer架构，掀开了人工智能自然语言处理(NLP)领域发展的全新篇章。Transformer架构作为神经网络学习中最重要的架构，成为后来席卷全球的一系列通用大模型如ChatGPT、Gemini的底层技术支撑。而提升Transformer的运行效率也成为人工智能领域的研究热点，2024年4月，谷歌最近一次更新了Transformer架构，提出了Mixture-of-Depths(MoD)方法，使得训练后采样过程中提速50%，成为Transformer架构提速升级的又一重要事件。

今年的ICML会议上，彩云科技团队的3篇论文，在录用平均分为4.25-6.33的情况下，获得平均7分的高分，并成为国内唯二受邀参加维也纳ICML2024登台演讲的企业，另一家则是华为。

“世界最强的小说续写通用模型。”沟通会上，袁行远向大家展示了首个基于DCFormer架构的通用大模型云锦天章。“这个成语是比喻文章极为高雅、华美，和我们的大模型想要实现的效果有共通之处。”袁行远介绍，云锦天章可以实现在虚构世界观的基础上，赋予小说人物编程、数学等基础能力，可以高速针对大量文字进行扩写、缩写，针对文章风格进行大容量更换，同时兼具其他模型的问答、数学、编程等基础能力。

彩票联盟入口11月13日，彩云科技在北京总部与媒体进行一场主题为“From Paper to App”的沟通会。会上，彩云科技CEO袁行远，就通用大模型未来进化之路，与人工智能的落地场景等热点话题进行了交流，并正式推出了首款基于DCFormer架构开发的通用大模型云锦天章，与此同时，彩云科技旗下AI RPG平台彩云小梦，也成为首款基于DCFormer架构开发的AI产品。

同样在今年，一家来自国内的人工智能企业彩云科技，在国际机器学习领域的顶级会议ICML(国际机器学习大会)上，发布全新大模型论文《Improving Transformers with Dynamically Composable Multi-Head Attention》。在该论文中，彩云科技团队首次发布DCFormer架构，并在基于DCFormer打造的模型DCPythia-6.9B上，实现了在预训练困惑度和下游任务评估上都优于开源Pythia-12B。这意味着，DCFormer模型在性能上，实现了对Transformer模型1.7-2倍的提升。

袁行远介绍，公司接下来将继续加大对DCFormer的研究和投入：“一方面有打破‘国外做技术层，国内做应用层’刻板印象的情怀所在，一方面也是为公司自有产品应对市场竞争，实现快速迭代升级和能力领先的现实需要。”

“深度对话，超长记忆，逻辑清晰。”袁行远总结彩云小梦V3.5的特征，“我们的目标是为用户打造指尖伴侣定制梦境。”袁行远表示，彩云小梦的用户单次使用时长，累计使用时长在同类产品中都处于领先的地位，“对话超过400句，你会发现彩云小梦真正的魅力。”

“Scaling Law告诉我们，随着算力的提升，模型更大、数据更多，模型效果会越来越好，但与之相应的，能耗也会越来越高，在Scaling Law失效，人工智能实现之前，或许我们地球的能源就已经无法支撑了。”袁行远表示，“没有效率的提升，AI就是镜花水月。”

彩云科技团队构建DCFormer框架，提出可动态组合的多头注意力(DCMHA)，替换Transformer核心组件多头注意力模块(MHA)，解除了MHA注意力头的查找选择回路和变换回路的固定绑定，让它们可以根据输入动态组合，从根本上提升了模型的表达能力，由此实现了对Transformer架构1.7—2倍的性能提升。

袁行远表示：我们的工作表明，Transformer架构距离“理想模型架构”还有很大的提升空间，除了堆算力堆数据的“大力出奇迹”路线，模型架构创新同样大有可为。往小了说，在大模型领域，利用效率更高的模型架构，小公司也可以在与世界顶级人工智能企业的对抗中取得优势。往大了说，模型效率的提升，可以有效地降低人工智能升级迭代的成本，加速AI时代的到来。