AI新闻动态（2025-03-23到2025-03-29)

[ikaijua]

AI新闻动态（2025-03-23到2025-03-29)

欢迎投稿。合作请邮件联系。

目录

AI 产品

1. 谷歌发布Gemini 2.5 Pro模型
2. DeepSeek发布小版本DeepSeek V3-0324
3. GPT-4o上线文生图模型，图片和视频转吉卜力风格爆火
4. OpenAI 宣布支持模型上下文协议（MCP）
5. 文生图应用ideogram发布v3版本
6. 阿里通义千问开源端到端多模态模型 Qwen2.5-Omni
7. 阿里开源最新的多模态模型Qwen2.5-VL-32B-Instruct
8. 阿里发布QVQ-Max
9. 阿里的3D全身虚拟人项目TaoAvatar

AI 研究

1. 阿里发布了Wan视频模型的论文

AI投资

1. 英伟达即将收购 AI 创业公司 Lepton AI，交易金额数亿美元

[ikaijua]

2025-03-27 阿里通义千问开源端到端多模态模型 Qwen2.5-Omni

1. Qwen2.5-Omni是一个多模态大模型，能够处理文本、图像、音频和视频输入，并支持文本生成和语音合成输出。
2. Qwen2.5-Omni模型支持实时语音和视频聊天，实现了流式文本生成和自然语音响应。
3. 该模型采用了Thinker-Talker架构，Thinker负责理解多模态输入，Talker负责输出语音token。
4. Qwen2.5-Omni在多模态性能上超越了同样大小的单模态模型，展现出卓越的性能。
5. 模型在端到端语音指令遵循能力上表现出色，与文本输入的有效性相媲美。
6. Qwen2.5-Omni模型已开源，采用Apache 2.0许可证，开发者和企业可以免费下载商用。
7. 模型在多个领域的单模态任务中表现优异，包括语音识别、翻译、音频理解等。

• 体验地址：https://chat.qwen.ai/
• GitHub 地址：https://github.com/QwenLM/Qwen2.5-Omni
• 论文地址：https://github.com/QwenLM/Qwen2.5-Omni/blob/main/assets/Qwen2.5_Omni.pdf
• 博客地址：https://qwenlm.github.io/blog/qwen2.5-omni/
• Hugging Face 地址：https://huggingface.co/Qwen/Qwen2.5-Omni-7B
• ModelScope：https://modelscope.cn/models/Qwen/Qwen2.5-Omni-7B

媒体文章：

• 机器之心: 阿里深夜开源Qwen2.5-Omni，7B参数完成看、听、说、写

[ikaijua]

2025-03-29 GPT-4o上线文生图模型后，图片和视频转吉卜力风格爆火

1. OpenAI宣布GPT-4o图像生成功能免费开放，所有用户可在ChatGPT和Sora中体验。
2. GPT-4o在处理文本和图像生成方面表现出色，能够精确还原文字内容并控制其位置。
3. 用户每天有3次免费体验机会，生成速度快，API将在未来几周内推出。
4. GPT-4o作为多模态模型，补齐了图像生成这一重要拼图，强调美观与实用并重。
5. 官方和网友实测显示，GPT-4o在细节处理和生成真实图像方面表现优异。

官方介绍：https://openai.com/index/introducing-4o-image-generation/

媒体文章：

• 量子位: GPT-4o图像生成今起免费！奥特曼坐镇紧急发布，指令遵循/文本控制表现惊艳
• 机器之心: GPT-4o整活！3个小时、6个镜头重现吉卜力版《甄嬛传》名场面
• 量子位: GPT-4o掀起“吉卜力风”，连CEO奥特曼也换了头像！版权争议虽迟但到

[ikaijua]

2025-03-24 DeepSeek发布小版本DeepSeek V3-0324

1. DeepSeek V3模型已完成小版本升级，版本号为DeepSeek-V3-0324。用户可通过官方网页、APP、小程序关闭深度思考后体验，API接口和使用方式保持不变。
2. 新版V3模型借鉴DeepSeek-R1的强化学习技术，在推理类任务上表现大幅提高，在数学、代码类评测集上得分超过GPT-4.5，百科知识、数学和代码任务表现均有提升。
3. 在HTML等前端代码任务上，新版V3模型生成的代码可用性更高，视觉效果更美观、富有设计感，可生成如p5.js程序并以赛博朋克风格呈现。
4. 基于R1写作水平优化，特别提升中长篇文本创作质量。
5. 联网搜索场景下，报告生成类指令输出更详实准确、排版更清晰美观。
6. 在工具调用、角色扮演、问答闲聊等方面也有一定幅度的能力提升。
7. DeepSeek-V3-0324与DeepSeek-V3使用相同base模型，仅改进后训练方法。私有化部署时更新checkpoint和tokenizer_config.json即可，模型参数约660B，开源版本上下文长度为128K，网页端、App和API提供64K上下文。模型权重可在Model Scope和Huggingface下载，开源仓库采用MIT License，允许用户利用模型输出或通过模型蒸馏等方式训练其他模型。

huggingface 模型：https://huggingface.co/deepseek-ai/DeepSeek-V3-0324

官方公众号：DeepSeek-V3 模型更新，各项能力全面进阶

媒体文章：

• 机器之心：DeepSeek V3深夜低调升级，代码进化令人震惊，网友实测可媲美Claude 3.5/3.7 Sonnet
• 量子位：DeepSeek V3“小版本升级”实测堪比V3.5，非推理模型也有“啊哈时刻”，7米甘蔗过2米门想通了

[ikaijua]

2025-03-24 阿里的3D全身虚拟人项目TaoAvatar

1. TaoAvatar 基于 3D 高斯点绘制技术，可从多视角序列生成拓扑一致的 3D 全身虚拟形象，支持姿态、手势和表情的全面控制，适用于增强现实场景，兼容多种移动和 AR 设备，如苹果 Vision Pro。
2. 通过大量实验验证了 TaoAvatar 在渲染质量和实时性方面的优势，能够在各种设备上实现实时运行，同时保持高帧率和高质量的渲染效果。
3. 开发了名为 TalkBody4D 的数据集，包含八个多视角图像序列，使用 59 个校准良好的 RGB 相机以 20 fps 的帧率拍摄，分辨率为 3000×4000，长度在 800 到 1000 帧之间，用于评估构建可动画人体模型的方法。

AIAgent_low_low_720.mp4

项目地址：https://pixelai-team.github.io/TaoAvatar/
论文地址：https://arxiv.org/pdf/2503.17032

[ikaijua]

2025-03-25 阿里开源最新的多模态模型Qwen2.5-VL-32B-Instruct

1. 此前该家族视觉语言模型有3B、7B和72B三种尺寸，此次32B版本在尺寸和性能上进一步兼顾，且可在本地运行。
2. 经强化学习优化，Qwen2.5-VL-32B在回答更符合人类偏好、数学推理能力以及图像解析、内容识别和视觉逻辑推导等任务的准确性和细粒度分析能力方面改进显著。
3. 与近期开源的Mistral-Small-3.1-24B、Gemma-3-27B-IT等模型相比，Qwen2.5-VL-32B在纯文本能力上达到了同规模的SOTA表现，且在多个基准上超过了72B。
4. Qwen2.5-VL-32B能够对图像进行精细理解和推理，如根据交通指示牌照片分析时间、距离、卡车限速等信息，并分步骤推算出正确答案。
5. 该模型在数学推理能力上表现出色，可以进行几何体分析、解决复杂难题以及归纳构造规律等。
6. Qwen2.5-VL-32B还能进行图片理解及多轮深度提问。

huggingface 模型地址：https://huggingface.co/Qwen/Qwen2.5-VL-32B-Instruct

[ikaijua]

2025-03-26 谷歌发布Gemini 2.5 Pro模型

1. Gemini 2.5 Pro，这是一个“思考”模型，能够在回应前进行思考推理，提升性能和准确性。
2. 在多个基准测试中达到SOTA水平，在LMArena上排名第一，创下历史最大分数飞跃，比Grok-3/GPT-4.5高出40分。在「nebula」测试中横扫所有类别夺得第一，独揽数学、创意写作、指令遵循、长查询和多轮对话五大领域冠军。
3. 继承并发扬了Gemini模型的原生多模态能力和超长上下文长度，支持100万token的上下文窗口，即将推出200万token版本，能处理多种信息源的复杂问题。
4. 在编程、数学和科学基准测试中处于领先地位，无需额外技术就能在数学和科学基准评测中表现卓越。在编程能力上，相比2.0版本实现质的飞跃，能生成视觉精美的网页应用和AI智能体代码应用。
5. Gemini 2.5 Pro已在Google AI Studio和Gemini应用中向Gemini Advanced用户开放，并将很快在Vertex AI上推出。其定价方案将在未来几周内公布，适用于大规模生产环境。

使用地址：https://aistudio.google.com/app/prompts/new_chat

[ikaijua]

2025-03-27 文生图应用ideogram发布v3版本

1. 整体绘画质量提升非常高，对语义的理解也非常好，在真人Elo排行上排第一。
2. Ideogram 3.0 在多种能力、主题、风格、用例和构图难度的多样化提示下，表现优于其他文本到图像模型，在 ELO 评分中得分最高。
3. Ideogram 3.0 能够生成具有高度一致性的风格化文本和布局，满足专业使用场景，如平面设计、广告、营销等。
4. 该模型可以创建复杂且长篇幅的文本，其精度远超传统设计平台的排版能力，生成的文本既美观又具有艺术性。
5. Ideogram 3.0 已在 ideogram.ai 网站和 iOS 应用上向所有用户开放。

官方介绍：https://about.ideogram.ai/3.0

[ikaijua]

2025-03-27 OpenAI 宣布支持模型上下文协议（MCP）

1. 由奥特曼亲自官宣，并已在 Agent SDK 中支持，未来将支持 ChatGPT 桌面应用和 Responses API。
2. Anthropic 首席产品官 Mike Krieger 对 OpenAI 的加入表示欢迎，并强调 MCP 已成为蓬勃发展的开放标准。
3. OpenAI 计划在未来几个月内分享更多有关 MCP 计划的信息。
4. MCP 由 Anthropic 在 2024 年底推出，旨在通过标准化接口实现大语言模型（LLM）与外部数据源及工具的无缝集成。
5. MCP 可以理解为 AI 应用领域的 USB-C 接口，为 AI 模型与不同数据源和工具之间提供了一种标准化的连接方式。
6. Anthropic 发布 MCP 的目的是为了解决 AI 模型与数据隔离的问题，提供一个通用的开放标准，将 AI 系统与数据源连接起来。
7. 许多公司，包括 Block、Apollo、Replit、Codeium 和 Sourcegraph，已经为他们的平台添加了 MCP 支持。

官方文档：https://openai.github.io/openai-agents-python/mcp/

媒体文章：

• 机器之心: OpenAI最新官宣：Agent SDK支持MCP协议

[ikaijua]

2025-03-28 阿里发布QVQ-Max

1. 阿里云通义千问Qwen团队推出QVQ-Max视觉推理模型第一版，具备强大的多模态处理能力，能看懂图片视频内容并分析推理给出解决方案。
2. QVQ-Max在MathVision榜单测评中表现优异，随着模型thinking最大长度调整，准确率持续提升，展现巨大潜力。
3. 视觉推理模型QVQ-Max的推出，旨在让AI不仅能“看”，还能“理解”并“思考”，以应对现实生活中大量以图片、图表、视频形式存在的复杂信息。
4. QVQ-Max的核心能力包括细致观察、深入推理和灵活应用，能快速识别图片关键元素、结合背景知识分析得出结论，还能进行设计创作等。
5. QVQ-Max应用广泛，在职场可协助数据分析、编程等任务；在学习中帮助解答难题、讲解概念；在生活中提供穿搭建议、烹饪指导等实用建议。
6. 目前QVQ-Max是第一版，未来将提升观察准确性、视觉Agent能力和交互多样性，以更好地满足用户需求。

官方介绍：https://qwenlm.github.io/zh/blog/qvq-max-preview/

在线使用：https://qwenlm.github.io/blog/qvq-max-preview/

媒体文章：

• 通义千问 Qwen：视觉理解QVQ-Max: 有眼力，更有脑力

[ikaijua]

2025-03-28 阿里发布了Wan视频模型的论文

1. 通义万相（Wan）视频模型技术报告发布：涵盖可扩展训练范式、极致效率优化、规模化数据构建和开源生态构建四个方面，助力理解通义万相2.1技术进展及应用。
2. 多阶段递进训练与分布式加速：从192P图像预训练到720P视频，结合Flow Matching框架，实现14B参数模型高效稳定收敛；采用DP、CP、FSDP多种分布式策略及策略切换，高效训练长达百万Tokens的模型。
3. 视频变分自编码器与轻量模型：提出基于Cache的3D因果Wan-VAE架构，可编解码无限时长1080P视频，重构速度提升2.5倍；轻量1.3B模型仅需8.19GB显存，消费级GPU（如RTX 4090）4分钟生成5秒视频，性能超越更大规模开源模型。
4. 推理加速与数据策略：融合CP、扩散缓存与FP8量化，14B模型推理速度提升1.78倍；构建O（1）B级图像和视频数据，经OCR检测、美学评分、运动质量分级等多步清洗流程筛选高质量数据。
5. 双语视觉文字生成：首创支持中英文视频内嵌文字生成，通过合成数据与多模态语言模型联合优化，生成与自然场景融合的准确字形。
6. 下游任务全覆盖与多模型尺寸：支持图生视频、指令视频编辑、人像定制、实时生成等8类生成任务；同时开源1.3B和14B模型，支持480P和720P视频生成，适应不同计算资源条件。
7. 完整公开模型和代码，支持社区二次开发；在VBench等基准测试中，Wan 14B以86.22总分超越Sora等闭源模型，引领开源视频生成技术革新。

论文：https://arxiv.org/abs/2503.20314
官方博文：https://mp.weixin.qq.com/s/DG04qj-pjblKnACWqI9V7Q

[ikaijua]

2025-03-27 英伟达即将收购 AI 创业公司 Lepton AI，交易金额数亿美元

1. Lepton AI 由贾扬清等人创立，专注于为 AI 时代构建新型基础设施，解决 AI infra 的速度、价格和质量问题。
2. Lepton AI 提供 Python SDK 和云计算平台，简化 AI 模型的构建和部署。
3. Lepton AI 与 HuggingFace 平台兼容，并支持从 GitHub 仓库创建 AI 模型。
4. 贾扬清是知名 AI 科学家，曾开发 Caffe，参与创建 GoogLeNet 和 ONNX，并担任 PyTorch 1.0 项目的共同负责人。
5. 贾扬清曾任职于 Google、Facebook 和阿里巴巴等公司，在 AI 领域拥有丰富经验。
6. 此次收购是英伟达进军云计算和企业软件市场，与亚马逊和谷歌等云服务商竞争的一部分。

媒体文章：

• 机器之心: 外媒：英伟达将收购贾扬清创业公司Lepton AI，交易价值数亿美元