Nvidia 公布音频大模型 Fugatto：把钢琴声变人声，还能合成全新音效
Nvidia 公布音频生成模型 Fugatto，能够根据文本提示修改现有声音，例如将钢琴演奏转为歌声或改变说话者的情绪与口音。它甚至能混合音效生成从未存在的声音。不过出于安全与版权等风险考虑，该模型目前暂不公开发布。
大模型 · 日报
周一
11月25日 星期一
周五
11月22日 星期五
三星发布第二代 AI 模型 Gauss2：推三款尺寸，主打端侧与多语言
三星发布第二代 AI 模型 Gauss2，分为 Compact、Balanced 和 Supreme 三种规格，支持 9 到 14 种语言和多种编程语言。内部已用它升级代码助手 code.i 与办公门户。三星计划未来将其接入全线硬件产品，提供更深入的个性化体验。
周四
11月21日 星期四
Google 推出 Gemini-exp-1121：编程与视觉表现超 GPT-4o 约 20%
Google 推出实验模型 Gemini-exp-1121。新模型针对 Transformer 架构和检索机制进行了优化，在编程、数学推理与视觉理解基准上比 GPT-4o 提升约 20%，能更精准地根据设计草图直接生成代码并搞定复杂算术。
周三
11月20日 星期三
OpenAI 升级 GPT-4o：创意写作更自然，文件分析能力大涨
OpenAI 宣布升级 GPT-4o，重点改进了创意写作与文档分析表现。新版本在生成故事或营销文案时表达更加自然流畅，而在处理上传的 PDF 等文件时，能提取更深入的信息并提供详尽分析。
DeepSeek 上线 R1-Lite-Preview：推理对标 o1，实时展示思考链
DeepSeek 上线推理模型 DeepSeek-R1-Lite-Preview。该模型在 AIME 与 MATH 基准上达到 o1-preview 级别的表现，并支持实时展示完整思考过程。官方同时确认开源模型与 API 即将推出。
Niantic 打造地理空间大模型：靠 Pokémon Go 玩家抓宝扫描 3D 世界
Niantic 宣布正在利用《Pokémon Go》等游戏中玩家上传的数百万份现实扫描数据，构建“大型地理空间模型”（LGM）。该模型旨在赋予计算机和机器人行人视角的 3D 空间理解能力，覆盖许多汽车无法到达的物理角落。
周二
11月19日 星期二
扎克伯格全面押注 Llama：从元宇宙泥潭到开源大模型逆袭
外媒披露扎克伯格力排众议开源 Llama 2 的内幕。在元宇宙受挫与早期产品风波后，Meta 将 Llama 深度植入社交、广告与硬件生态，下载量超 6 亿次。押注开源让 Meta 摆脱了对手生态制约，但数百亿美元的资本支出仍待回报验证。
周四
11月14日 星期四
Stable Diffusion 3.5 Large 上线 SageMaker：80 亿参数进私有云
Stable Diffusion 3.5 Large 正式上线 Amazon SageMaker JumpStart。该模型拥有 80 亿参数，可生成 100 万像素图像，并支持在 VPC 内部署以保护企业数据隐私。这也是自 2023 年 SDXL 1.0 以来该平台引入的首个新 SD 模型。
周三
11月13日 星期三
微软推出行业专用小模型：联合西门子、拜耳定制落地
Microsoft 联合 Bayer、Siemens 等行业伙伴推出一系列定制 AI 模型，均基于 Phi 系列小语言模型（SLM）微调。这些模型覆盖农业植保、车机离线控制、工业制造排错及金融合规等垂直场景，已上线 Azure AI 模型目录和 Copilot Studio。
下一代大模型撞墙：高质量数据告急，OpenAI 与 Google 进展受阻
彭博社等报道 OpenAI、Google 与 Anthropic 下一代大模型研发受阻。主因是高质量训练数据见底与版权限制。据悉 OpenAI 代号 Orion 的模型提升有限，Anthropic 亦推迟 Claude 3.5 Opus，单纯堆数据的扩展路线正遭遇瓶颈。
周六
11月9日 星期六
OpenAI 调整大模型研发策略：代号 Orion 提升放缓，转向合成数据与后训练
据报道，OpenAI 代号为 Orion 的下一代旗舰模型性能提升幅度放缓，在编程等领域未能显著拉开差距。为此 OpenAI 正在调整策略，转向利用合成数据训练并加大后训练投入。公司已确认，今年不会发布 Orion。
周五
11月8日 星期五
Sam Altman 最新预测：AGI 将在 2025 年实现
消息，OpenAI CEO Sam Altman 在接受 YC 采访时表示，通用人工智能（AGI）预计将在 2025 年实现。他认为通往 AGI 的路径已基本明确，接下来主要是工程问题，不再需要根本性的科学突破。
撬动对手生态：Google 宣布 Gemini 兼容 OpenAI 官方 SDK
Google 宣布开发者可直接通过 OpenAI 官方库及 REST API 调用 Gemini 模型。首批支持 Chat Completions 与 Embeddings 接口，开发者只需修改 base_url 并填入 Gemini 密钥即可无缝调用，大幅降低迁移门槛。
周一
11月4日 星期一
OpenAI 推出 Predicted Outputs：拿参考文本给 GPT-4o 提速
OpenAI 面向开发者推出 Predicted Outputs 功能，允许在调用 gpt-4o 和 gpt-4o-mini 时传入参考字符串，大幅降低响应延迟。该功能主要加速局部修改场景，例如修改现有文件中的代码、更新文档博文或微调已有回答。
Anthropic 上线 Claude 3.5 Haiku：性能超 Opus，价格却涨 4 倍且暂不支持识图
Anthropic 正式推出 Claude 3.5 Haiku 模型。新模型在多项基准测试中超越上一代旗舰 Claude 3 Opus，但 API 价格比上一代上涨 4 倍，且首发不支持图像分析。旧版 Claude 3 Haiku 仍将继续保留，供需要极致性价比和图像处理的用户使用。
Meta 放宽 Llama 使用限制：破例向美国防及国安机构开放
Meta 宣布打破军用禁令，向美国国防与国家安全机构及其承包商开放 Llama 模型。Oracle 已用其处理战机维护文档，Lockheed Martin 则用它生成代码。这一例外政策也同步适用于英、加、澳、新西兰四国对应机构。
周五
11月1日 星期五
OpenAI 高管 Reddit AMA：2025 年将主打自主 Agent，现有硬件可达 AGI
周四，OpenAI CEO Sam Altman 及多位高管在 Reddit 举办答疑。高管透露，能主动联系用户并代办任务的自主 Agent 将是 2025 年的重头戏，Altman 还表示实现 AGI 无需等待下一代硬件；企业版 ChatGPT 正在推进医疗 HIPAA 合规，新版 DALL-E 也在路上。
Claude 3.5 Sonnet 支持看懂 PDF 里的图：图表报表直接拆解
Anthropic 为 Claude 3.5 Sonnet 开启 PDF 视觉分析公测，能同时读懂文档里的文字、图表和嵌入图像。单份文件限制在 32 MB 与 100 页以内，每页大约消耗 1500 至 3000 token，目前已在 Claude Chat 预览和 API 中开放。
周四
10月31日 星期四
Google 为 Gemini API 引入搜索接地：可实时联网检索，每千次 35 美元
Google 在 Google AI Studio 和 Gemini API 中上线搜索接地功能。Gemini 1.5 模型能直接检索最新网页信息，并返回带来源链接与搜索建议的回答。AI Studio 支持免费测试，API 付费调用为每千次 35 美元。
周一
10月28日 星期一
Grok 上线图像理解功能：支持拍照识图解释梗图，限 X 付费用户
xAI 为 Grok 增加了图像理解能力，X 平台付费订阅用户现在可以上传图片向 AI 提问。马斯克称它甚至能看懂并解释梗图，不过目前功能仍处在早期阶段。这也是继 8 月加入图像生成后，xAI 进一步补齐多模态能力。
周五
10月25日 星期五
OpenAI 传 12 月发布下一代旗舰模型 Orion，官方回应否认
The Verge 援引知情人士报道，OpenAI 计划在 12 月推出代号 Orion 的下一代旗舰模型，或先向合作企业开放而非直接进 ChatGPT。不过 CEO Sam Altman 称其为假新闻，发言人随后表示今年并无发布代号 Orion 模型的计划。
