字节跳动正式推出其最新的豆包大模型1.5Pro（Doubao-1.5-pro），这一新模型在多个领域的综合能力上表现出色，成功超越了行业内知名的 GPT-4o 和 Claude3.5Sonnet。该模型的发布标志着字节跳动在人工智能领域又向前迈出了重要一步。豆包1.5Pro 采用了新型的稀疏 MoE（混合专家）架构，使用较小的激活参数进行预训练。这种设计的创新之处在于其可以提供等效于7倍激活参数的 Dense 模型性能，使其在效率上远超行业常规的 MoE 架构，带来了约3倍的效率提升。这样的设计使得豆包大模型在知识、代码

2025年1月20日，豆包 App 正式发布了其最新的 “端到端” 语音大模型，并对实时语音通话功能进行了重要更新。这一进展标志着豆包在语音交互领域的又一次飞跃，超越了之前的 ASR（自动语音识别）、LLM(大语言模型)和 TTS(文生音频)的级联方案，将语音识别、理解和生成整合在同一个模型中。经过《智能涌现》的测试，新版豆包的最大亮点在于其具备了人类般的表达能力和情感输出，提升了对话的流畅度与智能水平。尤其是 “灵魂歌手” 和 “百变大咖” 模式，让豆包不仅能够进行唱歌，

今天，阿里云通义团队正式发布了全新的数学推理过程奖励模型 Qwen2.5-Math-PRM。该模型提供了72B 和7B 两种尺寸，性能表现均显著优于同类的开源过程奖励模型，尤其是在识别推理错误方面表现突出。Qwen2.5-Math-PRM 的7B 版本令人惊讶地超越了业界广受欢迎的 GPT-4o，这一成就标志着阿里云在推理模型的研发上迈出了重要的一步。为了全面评估模型在数学推理中的表现，通义团队还开源了首个步骤级的评估标准 ——ProcessBench。这个评估标准涵盖了3400个数学问题测试案例，其中还包括国际奥林匹

今日，讯飞星火4.0Turbo迎来了全面升级，其七大核心能力——文本生成、语言理解、知识问答、逻辑推理、数学能力、代码能力以及多模态能力，均实现了显著提升，并在数学和代码能力方面超越了性能强劲的GPT-4o。

​MiniMax于2025年1月15日宣布开源其全新系列模型MiniMax-01，该系列包含基础语言大模型MiniMax-Text-01和视觉多模态大模型MiniMax-VL-01。MiniMax-01系列在架构上进行了大胆创新，首次大规模实现线性注意力机制，打破了传统Transformer架构的局限。其参数量高达4560亿，单次激活459亿，综合性能与海外顶尖模型相当，且能高效处理长达400万token的上下文，这一长度是GPT-4o的32倍、Claude-3.5-Sonnet的20倍。

在人工智能技术飞速发展的当下，OpenAI 于2023年10月1日推出了其最新的实时 API，旨在为开发者提供构建智能语音应用的强大工具。此 API 的发布受到了广泛关注，尤其是在 OpenAI DevDay 新加坡站上，Daily.co 的工程师分享了他们在使用这一 API 过程中获得的经验和教训。该工程师们不仅借助实时 API 搭建产品，还积极参与了开源项目 Pipecat 的开发，旨在为更多开发者提供便利。实时 API 的核心功能是其出色的 “语音到语音” 处理能力，这使得开发者能够以极低的延迟实现语音交互。通过将语音输

微软近期在 Hugging Face 平台上发布了名为 Phi-4的小型语言模型，这款模型的参数量仅为140亿，但在多项性能测试中表现出色，超越了众多知名模型，包括 OpenAI 的 GPT-4o 及其他同类开源模型如 Qwen2.5和 Llama-3.1。在之前的在美国数学竞赛 AMC 的测试中，Phi-4获得了91.8分，显著优于 Gemini Pro1.5、Claude3.5Sonnet 等竞争对手。更令人惊讶的是，这款小参数模型在 MMLU 测试中取得了84.8的高分，充分展现了其强大的推理能力和数学处理能力。与许多依赖于有机数据源的模型不同，Phi-4采用了创新的方法来生

在2025年的 CES 展会上，闪极正式推出了其海外全新子品牌 loomos，并首发了一款名为 loomos AI 眼镜的新产品。这款眼镜在硬件配置和功能上，与国内版本的闪极 AI「拍拍镜」几乎一致，支持高达4K 的照片拍摄和1080P 的视频录制。不同之处在于，loomos AI 眼镜搭载了由 GPT-4o 驱动的语音助手，能为用户提供即时帮助，如文字翻译、物品识别、记忆车位以及信息检索等。loomos AI 眼镜预计将于1月21日左右在 Kickstarter 平台上开启众筹。官方同时宣布，将在北美和欧洲等地区设立分公司，致力于推动闪

在2025年 CES 消费电子展上，闪极宣布了其全新海外子品牌 loomos，并推出了最新的 loomos AI 眼镜。这款眼镜的硬件配置和特色功能基本与国内版本的闪极 AI “拍拍镜” 相同，支持拍摄4K 照片和1080P 视频，展现出强大的影像能力。与国内版本不同，loomos AI 眼镜搭载了由 GPT-4o 驱动的语音助手，可以为用户提供即时的帮助，例如文字翻译、物品识别、记忆停车位置和信息检索等实用功能。用户可以通过简单的语音指令，获得所需的信息或服务。据悉，loomos AI 眼镜将于1月21日在 Kickstarter 平台开启

近日，VITA-MLLM 团队宣布推出 VITA-1.5，这是该团队在 VITA-1.0基础上推出的升级版本，致力于提升多模态交互的实时性与准确性。VITA-1.5不仅支持英语和中文，还在多项性能指标上实现了显著提升，为用户提供了更流畅的交互体验。在 VITA-1.5中，互动延迟大幅降低，从原来的4秒缩短至仅1.5秒，用户在进行语音交互时几乎感受不到延迟。此外，该版本在多模态性能方面也有显著提高，经过评估，VITA-1.5在 MME、MMBench 和 MathVista 等多个基准测试中的平均性能从59.8提升至70.8，展现了出色的能力。VITA

在近期的一次社交平台发言中，OpenAI 的创始人兼 CEO 山姆・阿尔特曼透露，ChatGPT Pro 高级订阅的用户使用频率远超出公司的预期，尽管月费已达到200美元（约合1470元人民币），该服务仍然处于亏损状态。阿尔特曼表示，原本设定的价格应该能带来一定的盈利，但现实情况却不尽如人意。自2024年12月5日推出以来，ChatGPT Pro 已经引起了广泛关注。与每月20美元（约合147元人民币）的 Plus 版本相比，Pro 版本提供了显著的提升。用户现在可以无限制访问更为先进的 GPT-4o 和 OpenAI o1模型，同时也可

斯坦福大学在人工智能领域再次取得重大进展，他们最新开发的STORM&Co-STORM系统已经开源，这一系统能够通过简单的主题输入，全面整合多源信息，生成高质量的长篇文章。这一创新不仅能够避开信息盲点，还能大幅提升科研写作的效率和质量。STORM&Co-STORM系统的核心技术包括必应搜索和GPT-4o mini的支持。STORM部分通过“LLM专家”与“LLM主持人”之间的多角度问答，迭代式地生成提纲、段落和文章。而Co-STORM则通过多智能体之间的对话生成可交互的动态思维导图，确保不遗漏用户可能未注意到

正微软的研究团队近日推出了一种被称为 “大型行动模型”（Large Action Model，简称 LAM）的人工智能技术，标志着 AI 的发展迎来了新的阶段。与传统的语言模型如 GPT-4o 不同，LAM 能够自主操作 Windows 程序，这意味着 AI 不仅仅能对话或提供建议，而是能真实地执行任务。LAM 的优势在于其能够理解用户的各种输入，包括文字、语音和图像，然后将这些请求转化为详细的步骤计划。LAM 不仅能制定计划，还能根据实时情况调整其行动策略。构建 LAM 的过程主要分为四个步骤:首先，模型学习将任务

OpenAI 的首席执行官 Sam Altman 公布了公司在2025年即将推出的多个新技术产品。这一消息发了业界的广泛关注和热烈讨论。在此次发布中，Altman 提到的产品包括通用人工智能（AGI）、智能体(Agents)、升级版的 GPT-4o、更强大的记忆存储、更宽广的上下文窗口、成人模式、深度研究特色功能以及更好的个性化定制功能。这些创新都显示出 OpenAI 在不断推动人工智能技术的发展。其中，最引人注目的当属 “智能体” 功能。该功能在当前的科技竞争中显得尤为重要，微软、谷歌和亚马逊等科技巨头都

近期的研究表明，市场上最先进的 AI 聊天机器人竟然对一些简单的技巧十分敏感，甚至可以被轻易 “越狱”。根据《404媒体》的报道，Claude 聊天机器人的开发公司 Anthropic 发现，只需在提示中故意加入一些拼写错误，便能使这些大型语言模型忽视自身的安全防护措施，生成一些本应拒绝回答的内容。图源备注:图片由AI生成，图片授权服务商Midjourney研究团队开发了一种简单的算法，名为 “最佳选择（Best-of-N， BoN）越狱”，通过对同一提示的不同变体进行尝试，诸如随机大写字母、字母替

在为期12个工作日的连续直播活动中，OpenAI在第9天面向开发者发布了o1模型的API，并宣布对实时API进行重大升级，支持WebRTC技术。​自发布日起，OpenAI将向API使用等级5级的开发者提供o1API的访问权限。此次更新的o1模型API相较于之前的预览版本，在思考成本上实现了60%的降低，并新增了高级视觉处理能力。同时，GPT-4o在音频处理上的成本也减少了60%，而mini版本的价格也大幅下降了10倍。

OpenAI 宣布在其高级语音模式中新增了期待已久的视频聊天和屏幕共享功能。这一新功能现已在 iOS 和 Android 移动应用程序中向 ChatGPT Teams、Plus 和 Pro 用户开放，预计将在明年1月向 ChatGPT 企业版和教育版订阅用户推送。不过，来自欧盟、瑞士、冰岛、挪威和列支敦士登的用户将无法使用这一高级语音模式。OpenAI 在今年5月首次提及这一功能，当时公司展示了 GPT-4o 如何 “观看” 游戏并解释游戏进程。随后，高级语音模式于9月正式推向用户。用户可以通过高级语音模式屏幕上的新按钮开始视

在人工智能领域，后训练技术正逐渐成为提升模型性能的重要手段。近日，艾伦人工智能研究所（AI2）发布了 Tülu3系列模型，这是一套完全开源的先进语言模型，性能与 GPT-4o-mini 等闭源相媲美。Tülu3不仅包含了模型数据、代码、训练配方，还提供了评估框架，旨在推动开源模型后训练技术的发展。传统上，仅经过预训练的模型往往无法有效满足实际应用需求，可能会产生有毒或危险的信息，且难以遵循人类指令。因此，后训练阶段如指令微调和人类反馈学习显得尤为重要。然而，如何优

近日，上海 AI 实验室宣布推出书生·万象InternVL2.5模型。这款开源多模态大型语言模型以其卓越的性能，成为首个在多模态理解基准(MMMU)上超过70%准确率的开源模型，与商业模型如GPT-4o和Claude-3.5-Sonnet等的性能相媲美。

近日，NVIDIA 推出了新一代开放视觉语言模型 ——NVILA。该旨在优化准确性和效率，凭借出色的性能，成为视觉 AI 领域的佼者。根据 NVIDIA 的介绍，NVILA 在训练成本上降低了4.5倍微调所需内存减少了3.4倍，并且在预填充和解码的延迟上几乎降低了2倍。这些数据是与另一种大型视觉模型 LLaVa OneVision 进行比较得出的。在视频基准测试中，NVILA 的表现超过了 GPT4o Mini，并且在与 GPT4o、Sonnet3.5和 Gemini1.5Pro 的比较中也表现出色。此外，NVILA 还在与 Llama3.2的对比中取得了微弱胜利。尽管如此，NVIDIA 表