Nvidia 公佈音訊大模型 Fugatto：把鋼琴聲變人聲，還能合成全新音效
Nvidia 公佈音訊生成模型 Fugatto，能夠根據文本提示修改現有聲音，例如將鋼琴演奏轉為歌聲或改變說話者的情緒與口音。它甚至能混合音效生成從未存在的聲音。不過出於安全與版權等風險考慮，該模型目前暫不公開發布。
大模型 · 日報
週一
11月25日 星期一
週五
11月22日 星期五
三星釋出第二代 AI 模型 Gauss2：推三款尺寸，主打端側與多語言
三星釋出第二代 AI 模型 Gauss2，分為 Compact、Balanced 和 Supreme 三種規格，支援 9 到 14 種語言和多種程式語言。內部已用它升級程式碼助手 code.i 與辦公門戶。三星計劃未來將其接入全線硬體產品，提供更深入的個性化體驗。
週四
11月21日 星期四
Google 推出 Gemini-exp-1121：程式設計與視覺表現超 GPT-4o 約 20%
Google 推出實驗模型 Gemini-exp-1121。新模型針對 Transformer 架構和檢索機制進行了最佳化，在程式設計、數學推理與視覺理解基準上比 GPT-4o 提升約 20%，能更精準地根據設計草圖直接生成程式碼並搞定複雜算術。
週三
11月20日 星期三
OpenAI 升級 GPT-4o：創意寫作更自然，檔案分析能力大漲
OpenAI 宣佈升級 GPT-4o，重點改進了創意寫作與文件分析表現。新版本在生成故事或營銷文案時表達更加自然流暢，而在處理上傳的 PDF 等檔案時，能提取更深入的資訊並提供詳盡分析。
DeepSeek 上線 R1-Lite-Preview：推理對標 o1，即時展示思考鏈
DeepSeek 上線推理模型 DeepSeek-R1-Lite-Preview。該模型在 AIME 與 MATH 基準上達到 o1-preview 級別的表現，並支援即時展示完整思考過程。官方同時確認開源模型與 API 即將推出。
Niantic 打造地理空間大模型：靠 Pokémon Go 玩家抓寶掃描 3D 世界
Niantic 宣佈正在利用《Pokémon Go》等遊戲中玩家上傳的數百萬份現實掃描資料，構建“大型地理空間模型”（LGM）。該模型旨在賦予計算機和機器人行人視角的 3D 空間理解能力，覆蓋許多汽車無法到達的物理角落。
週二
11月19日 星期二
扎克伯格全面押注 Llama：從元宇宙泥潭到開源大模型逆襲
外媒披露扎克伯格力排眾議開源 Llama 2 的內幕。在元宇宙受挫與早期產品風波後，Meta 將 Llama 深度植入社交、廣告與硬體生態，下載量超 6 億次。押注開源讓 Meta 擺脫了對手生態制約，但數百億美元的資本支出仍待回報驗證。
週四
11月14日 星期四
Stable Diffusion 3.5 Large 上線 SageMaker：80 億引數進私有云
Stable Diffusion 3.5 Large 正式上線 Amazon SageMaker JumpStart。該模型擁有 80 億引數，可生成 100 萬畫素影像，並支援在 VPC 內部署以保護企業資料隱私。這也是自 2023 年 SDXL 1.0 以來該平臺引入的首個新 SD 模型。
週三
11月13日 星期三
微軟推出行業專用小模型：聯合西門子、拜耳定製落地
Microsoft 聯合 Bayer、Siemens 等行業夥伴推出一系列定製 AI 模型，均基於 Phi 系列小語言模型（SLM）微調。這些模型覆蓋農業植保、車機離線控制、工業製造排錯及金融合規等垂直場景，已上線 Azure AI 模型目錄和 Copilot Studio。
下一代大模型撞牆：高質量資料告急，OpenAI 與 Google 進展受阻
彭博社等報道 OpenAI、Google 與 Anthropic 下一代大模型研發受阻。主因是高質量訓練資料見底與版權限制。據悉 OpenAI 代號 Orion 的模型提升有限，Anthropic 亦推遲 Claude 3.5 Opus，單純堆資料的擴充套件路線正遭遇瓶頸。
週六
11月9日 星期六
OpenAI 調整大模型研發策略：代號 Orion 提升放緩，轉向合成數據與後訓練
據報道，OpenAI 代號為 Orion 的下一代旗艦模型效能提升幅度放緩，在程式設計等領域未能顯著拉開差距。為此 OpenAI 正在調整策略，轉向利用合成數據訓練並加大後訓練投入。公司已確認，今年不會發布 Orion。
週五
11月8日 星期五
Sam Altman 最新預測：AGI 將在 2025 年實現
訊息，OpenAI CEO Sam Altman 在接受 YC 採訪時表示，通用人工智慧（AGI）預計將在 2025 年實現。他認為通往 AGI 的路徑已基本明確，接下來主要是工程問題，不再需要根本性的科學突破。
撬動對手生態：Google 宣佈 Gemini 相容 OpenAI 官方 SDK
Google 宣佈開發者可直接通過 OpenAI 官方庫及 REST API 呼叫 Gemini 模型。首批支援 Chat Completions 與 Embeddings 介面，開發者只需修改 base_url 並填入 Gemini 金鑰即可無縫呼叫，大幅降低遷移門檻。
週一
11月4日 星期一
OpenAI 推出 Predicted Outputs：拿參考文本給 GPT-4o 提速
OpenAI 面向開發者推出 Predicted Outputs 功能，允許在呼叫 gpt-4o 和 gpt-4o-mini 時傳入參考字串，大幅降低響應延遲。該功能主要加速區域性修改場景，例如修改現有檔案中的程式碼、更新文件博文或微調已有回答。
Anthropic 上線 Claude 3.5 Haiku：效能超 Opus，價格卻漲 4 倍且暫不支援識圖
Anthropic 正式推出 Claude 3.5 Haiku 模型。新模型在多項基準測試中超越上一代旗艦 Claude 3 Opus，但 API 價格比上一代上漲 4 倍，且首發不支援影像分析。舊版 Claude 3 Haiku 仍將繼續保留，供需要極致價效比和影像處理的使用者使用。
Meta 放寬 Llama 使用限制：破例向美國防及國安機構開放
Meta 宣佈打破軍用禁令，向美國國防與國家安全機構及其承包商開放 Llama 模型。Oracle 已用其處理戰機維護文件，Lockheed Martin 則用它生成程式碼。這一例外政策也同步適用於英、加、澳、紐西蘭四國對應機構。
週五
11月1日 星期五
OpenAI 高管 Reddit AMA：2025 年將主打自主 Agent，現有硬體可達 AGI
週四，OpenAI CEO Sam Altman 及多位高管在 Reddit 舉辦答疑。高管透露，能主動聯絡使用者並代辦任務的自主 Agent 將是 2025 年的重頭戲，Altman 還表示實現 AGI 無需等待下一代硬體；企業版 ChatGPT 正在推進醫療 HIPAA 合規，新版 DALL-E 也在路上。
Claude 3.5 Sonnet 支援看懂 PDF 裡的圖：圖表報表直接拆解
Anthropic 為 Claude 3.5 Sonnet 開啟 PDF 視覺分析公測，能同時讀懂文件裡的文字、圖表和嵌入影像。單份檔案限制在 32 MB 與 100 頁以內，每頁大約消耗 1500 至 3000 token，目前已在 Claude Chat 預覽和 API 中開放。
週四
10月31日 星期四
Google 為 Gemini API 引入搜尋接地：可即時聯網檢索，每千次 35 美元
Google 在 Google AI Studio 和 Gemini API 中上線搜尋接地功能。Gemini 1.5 模型能直接檢索最新網頁資訊，並返回帶來源連結與搜尋建議的回答。AI Studio 支援免費測試，API 付費呼叫為每千次 35 美元。
週一
10月28日 星期一
Grok 上線影像理解功能：支援拍照識圖解釋梗圖，限 X 付費使用者
xAI 為 Grok 增加了影像理解能力，X 平臺付費訂閱使用者現在可以上傳圖片向 AI 提問。馬斯克稱它甚至能看懂並解釋梗圖，不過目前功能仍處在早期階段。這也是繼 8 月加入影像生成後，xAI 進一步補齊多模態能力。
週五
10月25日 星期五
OpenAI 傳 12 月釋出下一代旗艦模型 Orion，官方回應否認
The Verge 援引知情人士報道，OpenAI 計劃在 12 月推出代號 Orion 的下一代旗艦模型，或先向合作企業開放而非直接進 ChatGPT。不過 CEO Sam Altman 稱其為假新聞，發言人隨後表示今年並無釋出代號 Orion 模型的計劃。
