AI 行业大事记

2025 年 3 月

联合出品：

Jomy @ 302.AI

南乔 River @ ShowMeAI

大聪明 @ 赛博禅心

—

说明:

① 本文分类中的【模型】均指代语言模型；

② 部分配图（尤其是 gif 动图）进行了压缩，官方演示视频是非常高清和流畅的。

③ 前往 WaytoAGI 专区查看「赛博月刊」飞书版 → https://waytoagi.feishu.cn/wiki/QeQiwmb61iSAXXkNbyic2yksnKc （期待互动👏👏👏）

11月刊 | 12月刊 | 1月&2月刊

👀 趋势观察

1. 模型

✦ 自 DeepSeek-R1 爆火后，推理模型成为了各家模型公司的战略必备品。有意思的是，他们的模型命名也在有意或无意地模仿 R1，例如 X1（讯飞），T1（腾讯），Z1（智谱），甚至 R1V（昆仑万维）。

✦ 推理模型也从 R1 的纯文字能力，往多模态的方向发展。

✦ 阿里则另辟蹊径，推出了推理小模型 QwQ-32B，为企业本地化部署提供了一个极佳的选择。

✦ 非推理模型发展也并未停滞，DeepSeek-V3-0324 和 Gemini-2.5-Pro 重新树立了国内外模型的能力标杆。

✦ Gemini 和 4o 打碎了模型输出图片的枷锁，可能会引发训练全模态模型的热潮，但这条路可比训练推理模型难走得多。

2. 图像

✦ 自 Gemini 和 GPT-4o 这类“语言模型”可以输出图片后，模型本身具有的推理能力对传统图像生成模型造成了降维打击。全模态模型可以更好地理解提示词，更好地理解图片，直接淘汰了原来很多复杂的工作流。

✦ 但没有任何方案是完美的，Gemini 和 GPT-4o 的短板在于无法精准控制细节。可以预见，未来图像行业的主流方案会是：先使用全模态模型生成图片完成初稿，再使用人工或自动工作流进行细微调整。

✦ 对图片细节要求不高的 C 端客户，将会被全模态模型抢走；B 端客户也会因为全模态模型生图而大大提高创作效率。

✦ 传统的图像模型公司，无法在短期内研发出全模态模型。因为无论是训练数据，还是技术门槛，都存在难以跨越的鸿沟。传统的图像模型市场，将被头部的全模态模型公司吃掉很大一部分。

3. 视频

✦ 视频领域近期没有大的技术突破，大家在慢慢地趋向雷同。以前玩视频模板的公司开始研究视频可控性，而视频可控性做得好的公司也开始推出视频模板。

✦ 视频生成质量在缓慢地提高，但变化不如其他领域明显。

4. 音频

✦ TTS 方向。Sesame 新模型的效果让人眼前一亮，它补齐了语音生成的最后一块短板：语气和情感，彻底跨越了 AI 语音的恐怖谷。期待更多公司可以基于 Sesame 开源的研究成果优化自家的语音模型。

✦ AI 音乐有着巨大的全球市场。Suno 一直垄断着这个市场，如今终于迎来了重磅的挑战者：昆仑万维 Mureka。可转念一想，未来这个领域也会被全模态模型占领吗？

5. 3D

✦ 3D 生成领域稳定发展中，精细度越来越高，效果越来越好。

✦ 3D 生成本质是让模型去想象一个平面图的立体结构，这对于参数不大的 3D 生成模型是有些吃力的。不过，这个月大家发现，使用 4o 这种全模态模型去生成多角度图，再使用多角度图进行 3D 生成，效果会好得多。这个工作流应该会大大推动 AI 3D 生成的商业化应用进程。

6. 机器人

✦ 机器人的大脑（模型）还停留在非常初级的阶段，而机器人的身体控制已经做得比较出色了。但没有大脑的躯干，不过是具「行尸走肉」，无法带来大规模的改变。

7. 应用

✦ Manus 的爆火开启了 AI Agent 的开发热潮，让大众对 Agent 这个概念有了更感性的认识。

✦ Agent 本质上是一种思维方式，可以理解为人把更多决定权交给了 AI。

✦ Agent 生态缺少不了外部工具，因此 MCP 和 Browser Use 等工具的热度大大增加。

✦ 模型厂商（例如豆包和智谱）正在尝试把模型推理和工具调用结合起来，从而实现更强的 Agent 能力（豆包的深度思考和智谱的AutoGLM 沉思）。

8. 新闻

✦ 政府支持和监管同步进行，整体政策形式向好。

✦ 融资热度慢慢从模型相关公司转向 Agent 相关公司。

🧭 时光机

3 月 1 日

| 新闻 | 北京市印发《北京具身智能科技创新与产业培育行动计划（2025-2027年）》 → 全国范围内，政策越来越多

| 新闻 | 小红书启动首届「独立开发大赛」，提供百万奖金池和上亿流量支持

3 月 2 日（无）

3 月 3 日

| 模型 | 科大讯飞 ● 星火医疗大模型 X1 首发 &&「星火X1+DeepSeek」学习机首发

| 图像 | Minimax ● Image-01 图像生成模型上线 → 实测图片真实性很高，可以和海外模型媲美

| 视频 | Minimax ● I2V-01-Director「镜头控制」图生视频模型上线 → 和 Luma 类似，使用提示词来控制镜头

| 应用 | 字节跳动 ● Trae 国内版发布 → 国内版 Cursor

| 应用 | 字节跳动 ● 火山引擎「大模型应用实验室」开源 6 款 AI 应用 → 只有 API 不够了，要喂到开发者嘴边了

| 应用 | 秘塔 ● 视频搜索功能上线 → 原理是对 B 站的视频字幕做了提取和总结，再进行文字的检索

| 机器人 | 灵初智能 ● Psi R0.5 端到端 VLA 模型发布

| 融资 | 智谱 ● 完成多笔战略融资，杭州、珠海、成都等城市参与 → 各地政府纷纷上了智谱的车

| 融资 | Anthropic（Claude） ● 完成 35 亿美元 E 轮融资，公司估值达到 615 亿美元 → 与 OpenAI 的 3400 亿估值差了很多

| 新闻 | MWC25 世界移动通信大会在西班牙巴塞罗那举行

| 新闻 | 深圳市一天之内「四箭齐发」打造创新之城与产业高地 → 深圳政策加码，这一次 AI 浪潮里珠三角的存在感太低了

3 月 4 日

| 模型 | 字节跳动 ● SuperGPQA 知识推理基准测试集（开源） → 更严格的测试集，可以看到各家模型的真实水准

| 图像 | 智谱 ● CogView4 图像生成模型，支持中英文字符生成（开源） → 图片 AI 味挺重，优势是中文渲染

3 月 5 日

| 音频 | SparkAudio ● Spark-TTS 文本转语音模型

| 应用 | 蝴蝶效应 ● Manus 通用 AI Agent 上线并开启邀测 → Manus 的爆火引领了 AI Agent 的开发热潮

| 融资 | 爱诗科技 AIsphere ● 完成 A5 轮融资 && PixVerse 月活突破 1500 万 → 继续在 2C 的路上越做越好

| 新闻 | Richard Sutton 和 Andrew Barto 两位强化学习先驱共同获得图灵奖 → 没有他们就没有今天的推理模型

3 月 6 日

| 模型 | 阿里巴巴 ● QwQ-32B 推理模型发布（开源） → 第一个可轻松本地部署的真推理模型，利好小企业

| 模型 | Mistral AI ● Mistral OCR 模型开放 API → 实测速度真的很快

| 视频 | 腾讯 ● HunyuanVideo-I2V 图生视频模型发布（开源） → 腾讯模型也全方位覆盖了

| 应用 | Google ● AI Mode 搜索新功能开始测试

| 应用 | 硅基智能 ● HeyGem 数字人合成工具（HeyGen 开源替代品）

3 月 7 日

| 模型 | Google ● Gemini Embedding 文本嵌入模型发布并上线

| 应用 | Hedra Labs ● Character-3 多模态 AI 数字人视频生成模型 → 期待尽快开放 API 接入

3 月 8 日（无）

3 月 9 日（无）

3 月 10 日

| 模型 | 字节跳动 ● COMET 通信优化系统（开源） → 自从 DeepSeek 爆火后，MoE 架构也被越来越多模型公司选择

| 机器人 | 智元机器人 ● Genie Operator-1 通用具身基座大模型

| 新闻 | OpenAI 转投 CoreWeave，微软自研大模型，二者关系日益紧张

3 月 11 日

| 模型 | 阿里巴巴 ● R1-Omni 全模态大语言模型（开源）

3 月 12 日

| 模型 | OpenAI ● Responses API 和 Agents SDK 发布 → 此次升级全部都是为了 Agent 生态而准备的

| 模型 | Google ● Gemma 3 多模态系列模型（开源） → 一个很适合本地部署的多模态小模型

| 模型 | Google DeepMind ● Gemini Robotics 和 Gemini Robotics-ER 模型发布

| 图像 | Google ● Gemini 2.0 Flash 原生图像生成功能开放 → 开启了 3 月通过 LLM 生成图片的浪潮，对传统图片生成模型形成了降维打击

| 图像 | 字节跳动 ● Seedream 2.0 文生图模型技术报告发布 → 字节很愿意分享技术细节，对行业是个大好事

3 月 13 日

| 模型 | Cohere ● Command A 极致性能+极低算力的企业级模型（开源） → 111B 的参数量，比传统的 32B 或 70B 门槛还是高了不少，所以热度不高

| 应用 | 阿里巴巴 ● 夸克升级为 AI 旗舰应用，推出「AI 超级框」概念 → 夸克想成为阿里 AI 的超级 App

3 月 14 日

| 音频 | Sesame ● CSM 1B 语音合成模型（开源） → 强烈建议听听 Demo，语气和情感极为真实

| 应用 | Google Gemini 重要更新 ● Personalization 个性化、Gems 智能体、Canvas、Audio Overview

| 新闻 | 四部门联合发布《人工智能生成合成内容标识办法》，自 9 月 1 日起施行 → 国家希望对 AI 生成的内容画出一条明确的界限

3 月 15 日

| 应用 | Anuttacon（蔡浩宇）● 《Whispers From The Star》AI 游戏开启内测

| 新闻 | 315 晚会曝光 AI 外呼机器人在电话营销中的滥用乱象

3 月 16 日

| 模型 | 百度 ● 文心大模型 4.5 原生多模态大模型 && X1 深度思考模型发布

3 月 17 日

| 模型 | Mistral AI ● Mistral Small 3.1（24B）多模态理解模型（开源） → Gemma3 的竞品

| 3 D | Roblox ● Cube 3D 建模工具（开源）

3 月 18 日

| 模型 | 昆仑万维 ● Skywork R1V 多模态思维链推理模型（开源） → 比 R1 多了多模态的能力，非常实用

| 3 D | 腾讯 ● Hunyuan 3D 2.0 模型家族（开源） → 腾讯连 3D 都做，战略覆盖面应该是第一了

| 应用 | 字节跳动 ● 豆包支持 Python 代码运行和 HTML 代码实时预览 → 是不是做的有点晚了？这功能已经成为聊天机器人标配了

| 新闻 | 零一万物 ● 万智企业大模型一站式平台发布 → 正式宣布零一转型

3 月 19 日

| 模型 | OpenAI ● o1-pro 推理模型上线，目前最贵的人工智能模型 → 问个“你好”扣了十块

| 视频 | Stability AI ● Stable Virtual Camera 多视图扩散模型（开源）

| 应用 | Cursor ● Claude 3.7 Max 模式上线 → MAX 版本像是 Cursor 预置的一个工作流，而不是 Claude 的新版本模型

| 应用 | Windsurf ● Wave 5 重磅更新，Windsurf Tab 功能升级 → 终于补齐了一个大短板

| 3 D | 群核科技 ● SpatialLM 空间理解模型（开源）

| 机器人 | 宇树科技 ● G1 人形机器人完成全球首次原地侧空翻 && 首次鲤鱼打挺

3 月 20 日

| 模型 | 百川智能 X 北京儿童医院 X 小儿方健康 ● 福棠·百川（全球首个）儿科大模型发布 → 终于见到百川最新的消息了

| 视频 | 阶跃星辰 ● Step-Video-TI2V 图生视频模型（开源）

3 月 21 日

| 模型 | 腾讯 ● 混元 T1 深度思考模型发布并上线 → 速度很快，价格很便宜，智力也不错，综合性价比极高

| 音频 | OpenAI ● GPT-4o-transcribe 和 GPT-4o-mini-transcribe 语音转文本模型，gpt-4o-mini-tts 文本转语音模型

3 月 22 日

| 应用 | Anthropic ● Claude 可以联网 && Claude Code 辅助编程应用取消 WaitList 可以直接使用

3 月 23 日

| 融资 | Browser Use ● 完成 1700 万美元种子轮融资 → Browser Use 本质还是 CodeAct 的思想，通过 AI 编写 JS 代码，再去操作网页

3 月 24 日

| 应用 | 百度 ● 秒哒无代码应用开发平台上线 → 连使用代码去修改的机会都没有，是不是有点激进了

3 月 25 日

| 模型 | Google ● Gemini 2.5 Pro（实验版）多模态推理模型发布 → 对标 Claude 3.7 Sonnet

| 模型 | 阿里巴巴 ● Qwen2.5-VL-32B 多模态模型（开源） → 很适合本地部署来做 OCR 任务

| 模型 | DeepSeek ● DeepSeek-V3-0324 模型更新（开源） → 期待基于 v3-0324 训练的新版 R1（会不会叫 R2 呢）

| 模型 | RWKV 元始智能 ● RWKV-7-G1 0.4B 推理模型（开源） → Transformer 的挑战者至今还未成规模

| 图像 | Reve ● Reve Image（Halfmoon）图像生成模型

3 月 26 日

| 模型 | OpenAI ● GPT-4o 图像生成功能上线，吉卜力风格图像爆火全球 → 全面超越 Gemini 生图能力，给大众秀了一把全模态模型的能力

| 音频 | 昆仑万维 ● Mureka V6 音乐生成模型 && Mureka O1 音乐推理模型 → Suno 真正的挑战者，还支持 API 接入

| 新闻 | 智源研究院 ● 被美国商务部列入新一批「实体清单」 → 另一种“官方技术认证”

3 月 27 日

| 模型 | 阿里巴巴 ● Qwen2.5-Omni-7B 端到端全模态大模型（开源） → 猜测这个模型很快也可以生成图片

| 模型 | 蚂蚁集团 ● Ling-Coder-Lite 和 Ling-Coder-Lite-Base 代码大模型（开源） → 和传说中的 Qwen3 规格有点像

| 图像 | Ideogram AI ● Ideogram 3.0 图像生成模型发布 → 与 4o 或 Gemini 的生图相比，有种古典模型的感觉了

| 应用 | 快手 ● 可灵 AI 上线多款创意特效 && AI 音效

3 月 28 日

| 模型 | 阿里巴巴 ● QVQ-Max 视觉推理模型 → 期待 QWQ 和 QVQ 合并

| 应用 | 字节跳动 ● 豆包深度思考实现「边想边搜」 → 此功能应该是通过模型后训练达到的，而不是简单的多轮调用，字节这次领先了

| 3 D | Meshy AI（胡渊鸣）● Meshy-V5（预览版）3D 生成模型上线 → AI 3D 生成越来越精细了

3 月 29 日

| 应用 | 面壁智能 ● cpmGO 小钢炮超级助手，首个纯端侧智能助手

| 3 D | VAST ● TripoSG 和 TripoSF 两款 3D 模型发布（开源）

3 月 30 日（无）

3 月 31 日

| 模型 | 智谱 ● AutoGLM 沉思上线，沉思模型 GLM-Z1-Rumination（即将开源） → 在本地跑的“Manus”，对隐私更加友好

| 模型 | 蚂蚁集团 X 清华大学（吴翼） ● AReaL-boba 强化学习训练框架（开源） → R1 复现的门槛更低了，以后可能就是计算机系的课后作业了

| 模型 | 中国科学院青藏所 ● 洛书（全球首个）水-能-粮大模型

| 视频 | Runway ● Runway Gen-4 视频生成模型发布 → 暂时只支持图片生成视频

✦ ✦ ✦

3月1日

【新闻】

北京市

印发《北京具身智能科技创新与产业培育行动计划（2025-2027年）》

北京市科学技术委员会等部门联合发布了《北京具身智能科技创新与产业培育行动计划（2025-2027年）》，旨在推动北京成为全球具身智能科技创新策源地和产业增长极。

《计划》明确，北京将重点攻坚六大核心技术：① 突破多模态融合感知技术，② 研发具身智能「大脑」大模型，③ 提升具身智能「小脑」技能模型能力，④ 提高机器人运动控制性能，⑤ 强化核心零部件技术创新和供给能力，⑥ 研制国产高性能具身智能芯片。

锐评（by Jomy）→ 全国范围内，政策越来越多

https://www.beijing.gov.cn/zhengce/zhengcefagui/202503/t20250304_4024579.html

【新闻】

小红书

启动首届「独立开发大赛」，提供百万奖金池和上亿流量支持

本届大赛设有「宝藏App」和「最佳AI项目」两个赛道，总奖池高达 135 万元，其中「全场大奖」可以获得最高 50 万元奖金。优秀获奖团队将获得专家指导、投资机会以及海量站内曝光。

赛程：3月26日，公布入围名单；3月30日，评委闭门评审；4月15日，线下颁奖。

https://xhslink.com/dGqsV8 | 🔍官方介绍

3月3日

【模型】

科大讯飞

星火医疗大模型 X1 首发 && 「星火X1+DeepSeek」学习机首发

星火医疗大模型 X1 基于升级后的「星火 X1」深度推理大模型，大幅降低了医疗幻觉问题，在回答复杂问题时能够逐步解释循证过程，提高了医疗复杂场景推理的逻辑正确性、专业性、可解释性。

此外，首款「星火X1+DeepSeek」双引擎 AI 学习机正式发布，实现了 AI 1对1精准学、AI 1对1英语口语陪练、家长端「讯飞AI学」三大功能升级。

使用入口：星火医疗大模型 X1 已应用于讯飞晓医（App 或微信小程序）。

🔍官方介绍

【图像】

Minimax

Image-01 图像生成模型上线

Image-01 是 MiniMax 推出的首款文生图模型，凭借其在视频生成领域的深厚技术积累，在即时控制、图像质感和真实性等方面表现出色。它在高批次效率和成本控制上优势明显，用户可一次性批量生成多达 90 张图像，成本仅为市场上同类质量产品的 1/10。

使用入口：前往海螺 AI 官网（hailuoai.com/video）体验，模型新增了提示词图书馆；或者调用 API（minimaxi.com/platform_overview）。

实测图片真实性很高，可以和海外模型媲美 👍

https://minimax.io/news/image-01

【视频】

Minimax

I2V-01-Director「镜头控制」图生视频模型上线

I2V-01-Director 是一款图生视频模型，可通过提示词控制镜头语言，实现镜头移动、晃动、变焦等 15 种单一运镜及超百种运镜组合。它与此前发布的 T2V-01-Director 共同构成了 01-Director 系列。

使用入口：前往海螺 AI 官网（hailuoai.com/video/create）体验；或者调用 API。

和 Luma 类似，使用提示词来控制镜头 🎥

https://www.minimax.io/news/01-director | 🔍官方介绍

【应用】

字节跳动

辅助编程应用 Trae 国内版发布

Trae 于 1 月份发布了海外版，如今国内版也正式上线，配置了 Doubao-1.5-pro，并支持切换至满血版 DeepSeek R1、V3（最新版）等模型。本月发布了多项更新。

Trae 是一款由 AI 驱动的辅助编程工具，具备智能代码补全、实时优化、基于 Agent 的编程以及多模态交互（例如上传图片生成代码）等多项功能。

使用入口：前往官网（trae.com.cn）下载并安装。海外用户/海外版本可访问官网（trae.ai）下载并安装。

国内版 Cursor

🔍官方介绍

【应用】

字节跳动

火山引擎「大模型应用实验室」开源 6 款 AI 应用

火山引擎上线「大模型应用实验室」平台，开源了手机助手、Deep Research、DeepSeek联网版、实时视频理解、互动双语视频生成器、语音实时通话等 6 款 AI 应用，助力企业跳过行业化难题，快速搭建并落地应用。

使用入口：前往 GitHub（github.com/volcengine/ai-app-lab）下载并部署。

只有 API 不够了，要喂到开发者嘴边了 🍚

https://github.com/volcengine/ai-app-lab | 🔍官方介绍

【应用】

秘塔

视频搜索功能上线

秘塔 AI 搜索上线了「视频」搜索功能，可以帮助用户快速定位所需要的视频资源，并附有文字简介。这标志着秘塔在多模态数据覆盖范围上实现了进一步拓展。

使用入口：前往秘塔AI搜索官网（metaso.cn）体验。

测试下来，原理是对 B 站的视频字幕做了提取和总结，再进行文字的检索 📺

🔍官方介绍

【机器人】

灵初智能

Psi R0.5 端到端 VLA 模型发布

Psi R0.5 是一款基于强化学习的 VLA 模型，相较于之前的 Psi R0 版本，其在复杂场景的泛化能力、灵巧性、思维链（CoT）以及长程任务能力上都有显著提升。

更值得一提的是，团队提出的 DexGraspVLA 框架，能够通过少量数据（仅需约2小时）在上千种物体、位置、光照变化下实现灵巧抓取，数据利用效率大幅提升。

https://dexgraspvla.github.io | 🔍官方介绍

【融资】

智谱

完成多笔战略融资，杭州、珠海、成都等城市参与

智谱在 3 月份完成多笔战略融资。

第一笔来自杭州。3 月 3 日，杭州城投产业基金、上城资本等联合宣布，对智谱进行超 10 亿元人民币的投资。

第二笔来自珠海。3 月 13 日，珠海龙头国企华发集团宣布，对智谱进行 5 亿元的战略投资，以推进智谱基座 GLM 大模型的技术创新与生态发展。

第三笔来自成都。3月19日，成都高新区宣布，对智谱进行 3 亿元的战略投资，合作打造四川省基座大模型「智谱诸葛大模型」，同步建设大模型训练中心、研发中心及西部赋能平台三位一体的 AI 基础设施。

各地政府纷纷上了智谱的车 🚄

🔍杭州 | 珠海 | 成都

【融资】

Anthropic（Claude）

完成 35 亿美元 E 轮融资

Anthropic 宣布完成 35 亿美元融资，公司估值达到 615 亿美元。融资将用于推动下一代 AI 系统的开发，扩大计算能力，深化机制可解释性与对齐研究，并加速国际扩展。

此轮融资由 Lightspeed Venture Partners 主导，其他参与者包括 Bessemer Venture Partners、Cisco Investments、D1 Capital Partners、Fidelity Management & Research Company、General Catalyst、Jane Street、Menlo Ventures 以及 Salesforce Ventures。

与 OpenAI 的 3400 亿估值差了很多 💰

https://www.anthropic.com/news/anthropic-raises-series-e-at-usd61-5b-post-money-valuation

【新闻】

MWC25

世界移动通信大会在西班牙巴塞罗那举行

2025 年世界移动通信大会（MWC25）于 3 月 3 日至 6 日在西班牙巴塞罗那 Fira Gran Via 展览中心举行。大会主题为「Converge. Connect. Create.（融合、连接、创造）」，聚焦人工智能、5G、物联网、量子计算和数字技术演变等前沿科技领域。

大会吸引了来自全球 205 个国家和地区的 2700 多家参展商，包括 344 家中国科技企业。其中，小米的 SU7 Ultra 成为焦点，Google Cloud 展台 Gemini 自研大模型非常受欢迎，宇树则凭借机器狗的表演吸引了大量观众驻足围观。

https://www.mwcbarcelona.com | 🔍媒体报道

【新闻】

深圳市

一天之内连出 4 项行动计划，「四箭齐发」打造创新之城与产业高地

🔍《深圳市加快打造人工智能先锋城市行动计划（2025—2026年）》绘制出未来两年城市人工智能发展的全景图。到 2026 年，全市人工智能企业数量超 3000 家，独角兽企业超 10 家，产业规模年均增长超 20%，推出 10 个以上产业集聚效应明显的人工智能和具身智能机器人创新孵化器。

🔍《深圳市加快推进人工智能终端产业发展行动计划（2025—2026年）》聚焦智能终端产业升级，以人工智能技术赋能产业高质量发展。到 2026 年，全市人工智能终端产业规模达 8000 亿元以上，集聚不少于 10 家现象级人工智能终端企业，人工智能终端产品产量突破 1.5 亿台，推出 50 款以上爆款人工智能终端产品，打造 60 个以上人工智能终端典型应用场景。

🔍《深圳市具身智能机器人技术创新与产业发展行动计划（2025-2027年）》推动具身智能机器人产业跨越式发展。到 2027 年，新增培育估值过百亿企业 10 家以上、营收超十亿企业 20 家以上，实现十亿级应用场景落地 50 个以上，关联产业规模达到 1000 亿元以上，具身智能机器人产业集群相关企业超过 1200 家。

🔍《深圳市有力有效支持发展瞪羚企业、独角兽企业行动计划（2025—2027年）》重点关注微观市场主体。到 2027 年，累计培育瞪羚企业 1000 家、独角兽企业 80 家，将深圳建设成为具有国际影响力的瞪羚企业、独角兽企业集聚高地。

深圳政策加码，因为这一次 AI 浪潮，珠三角的存在感太低了

3月4日

【模型】

字节跳动

SuperGPQA 知识推理基准测试集（开源）

SuperGPQA 是一个领域全面且具备高区分度的知识推理基准测试，覆盖 285 个研究生级学科、包含 26529 道专业问题，不仅涵盖主流学科，更将轻工业、农业、服务科学等长尾学科纳入其中，填补了长尾知识评估领域的空白。

使用入口：前往官方站点获取数据（huggingface.co/datasets/m-a-p/SuperGPQA）和代码（github.com/SuperGPQA/SuperGPQA）。

更严格的测试集，可以看到各家模型的真实水准 🥇

🔍官方介绍

【图像】

智谱

CogView4 图像生成模型，支持中英文字符生成（开源）

CogView4 文生图模型有两大技术领先性：一是支持中英双语提示词输入，擅长理解和遵循中文提示词，能够将中英文字符自然地融入画面；二是支持输入任意长度提示词，如几百字的超复杂提示词，生成范围内任意分辨率图像。

使用入口：开源；可以前往智谱清言官网（chatglm.cn）体验。

图片 AI 味挺重，有点 Dalle 的味道，但是优势是中文渲染

🔍官方介绍

3月5日

【音频】

SparkAudio

Spark-TTS 文本转语音模型

Spark-TTS 是一款基于 LLM 架构的文本转语音（TTS）模型，完全基于 Qwen2.5 构建，直接从 LLM 预测的代码中重建音频，简化了语音合成的流程。

Spark-TTS 仅需几秒钟的语音样本，就能精准地复制任何人的声音特征，还可以通过文本直接控制音高、语速和说话风格，并在跨语言和代码切换时保持自然。

https://sparkaudio.github.io/spark-tts

【应用】

蝴蝶效应

Manus 通用 AI Agent 上线并开启邀测

Manus 是一款适用范围广泛的 AI Agent，它具备强大的任务规划、执行和交付能力，能够独立思考、自主学习并调用多种工具完成复杂任务，如撰写报告、分析股票、规划旅行、编写代码等。官方视频称，在 GAIA 基准测试中，Manus 表现卓越，取得了 SOTA 成绩，超越了 OpenAI 的 Deep Research 等同类产品。

3 月 11 日，Manus 官方宣布其中文版与通义千问达成战略合作，双方将基于通义千问系列开源模型，致力于在国产模型和算力平台上实现 Manus 的全部功能。

使用入口：前往官网（manus.im）申请。

Manus 的爆火引领了 AI Agent 的开发热潮 🔥

https://x.com/ManusAI_HQ/status/1897294098945728752

【融资】

爱诗科技 AIsphere

完成 A5 轮融资 && PixVerse 月活突破 1500 万

爱诗科技宣布完成 A5 轮融资，本轮融资由靖亚资本独家投资。至此，爱诗科技 A 轮融资整体规模已超 4 亿人民币。此次融资资金将用于持续优化底层模型、加速产品研发以及引进顶尖人才。

爱诗科技旗下的视频生成平台 PixVerse 全球累计用户量已突破 4000 万，月活跃用户达 1500 万。此外，PixVerse 国内版网页端及 App 产品近期即将上线。

继续在 2C 的路上越做越好 👍

🔍官方介绍 | 🔍融资详情

【新闻】

图灵奖

Richard Sutton 和 Andrew Barto

2024 年图灵奖授予了强化学习领域的两位先驱—— Richard Sutton 和 Andrew Barto。他们自 1980 年代起就开始合作，在一系列论文中提出了强化学习的主要思想，构建了强化学习的数学基础，并开发了强化学习的重要算法。两人合著的《Reinforcement Learning: An Introduction》一直是强化学习领域最经典的教材之一。

图灵奖被誉为「计算机界的诺贝尔奖」，奖金高达 100 万美元，由 Google 公司提供资金支持。

RL的始祖！没有他们就没有今天的推理模型

https://awards.acm.org/about/2024-turing

3月6日

【模型】

阿里巴巴

QwQ-32B 推理模型发布（开源）

QwQ-32B 推理模型在数学推理（AIME24）、编程能力（LiveCodeBench）、通用能力（LiveBench）等多个基准测试中表现优秀，几乎直逼满血版 DeepSeek R1，远超 o1-mini 及其他同尺寸模型。

最重要的是，QwQ-32B 不仅性能强大，还体积小、推理快，支持消费级显卡部署，是目前单机能部署最具性价比的模型。

使用入口：开源；前往 QwenChat（chat.qwen.ai）官网体验。

第一个可轻松本地部署的真推理模型，利好小企业

https://qwenlm.github.io/zh/blog/qwq-32b | 🔍官方介绍

【模型】

Mistral AI

Mistral OCR 模型开放 API

Mistral OCR 是一款智能文档识别与处理模型，能精准识别文本、图像、表格、数学公式等复杂元素，并以结构化的 Markdown 或 JSON 格式输出。它支持多语言，处理速度高达每分钟 2000 页，总体准确率超 94.89%

使用入口：前往 Le Chat 官网（chat.mistral.ai/chat）试用；调用 API（每 1000 页 1 美元）。

实测速度真的很快 ⚡

https://mistral.ai/news/mistral-ocr

【视频】

腾讯

HunyuanVideo-I2V 图生视频模型发布（开源）

HunyuanVideo-I2V 是一款强大的图生视频模型。用户只需上传一张图片，并简要描述画面动作或镜头调度，它就能让图片动起来，生成 5 秒短视频，还能自动配上背景音效。

此外，上传一张人物图片并输入希望「对口型」的文字或音频，图片中的人物即可「说话」或「唱歌」。使用「动作驱动」能力，还能一键生成同款跳舞视频。

使用入口：开源；前往混元 AI 视频官网（video.hunyuan.tencent.com）体验；在腾讯云申请使用 API 接口。

腾讯模型也全方位覆盖了

https://video.hunyuan.tencent.com | 🔍官方介绍

【应用】

Google

AI Mode 搜索新功能开始测试

谷歌搜索开始测试一种全新的搜索模式—— AI Mode。以往用户在处理复杂问题时，往往需要多次搜索才能解决，而 AI Mode 能够通过更高级的推理、思考和多模态能力，解决这个痛点。搜索体验与呈现结果类似 Gemini Deep Research。

使用入口：AI Mode 还在实验阶段，可以前往 Google Lab（labs.google.com/search/experiment/22）申请体验。

https://blog.google/products/search/ai-mode-search

【应用】

硅基智能

HeyGem 数字人合成工具（HeyGen 开源替代品）

Heygem 是一款专为 Windows 系统设计的全离线视频合成工具。它可以通过 1s 视频或者一张照片，轻松地克隆出逼真的数字人的形象和声音。用户可以使用文字或者语音来控制视频中的虚拟形象，并且口型和语音确保自然流畅。

使用入口：开源，前往官网（heygem.ai）了解更多。

https://github.com/GuijiAI/HeyGem.ai | 🔍官方介绍

3月7日

【模型】

Google

Gemini Embedding 文本嵌入模型发布并上线

Gemini Embedding 是一款实验性文本嵌入模型，可将文本转换为数值向量，广泛应用于语义搜索、推荐系统和文档检索等场景。该模型支持超 100 种语言，能处理长达 8K token 的输入，擅长处理复杂文本块和多语言任务。在多语言文本嵌入基准测试（MTEB）中超越了 Mistral、Cohere 和 Qwen 等主流模型，成为当前性能最强的文本嵌入模型。

使用入口：通过 Gemini API 提供服务。

https://developers.googleblog.com/en/gemini-embedding-text-model-now-available-gemini-api

【应用】

Hedra Labs

Character-3 多模态 AI 数字人视频生成模型

Character-3 是一款全模态 AI 数字人视频生成模型，可以同步处理图像、文本和音频输入，通过联合推理生成高质量动态视频，角色能说话、唱歌甚至说唱。它支持人类、动漫、动物等多类角色，具备全身动作捕捉与精细情感控制功能，能精准匹配唇形、表情、动作与语音内容。

使用入口：前往 Hedra 官网（hedra.com）试用。

期待尽快开放 API 接入 🧭

https://x.com/hedra_labs/status/1897699010632466469

3月10日

【模型】

字节跳动

COMET 通信优化系统（开源）

COMET 通信优化系统旨在解决分布式训练中通信开销过大的问题。它显著提升了大规模 MoE 模型的训练效率，单层加速可达 1.96 倍，端到端加速 1.71 倍，且在不同并行策略、输入规模及硬件环境下均表现稳定。目前已实际应用于万卡级生产集群，已累计节省了数百万 GPU 小时资源。

使用入口：核心代码已开源。

自从 DeepSeek 爆火后，MoE 架构也被越来越多模型公司选择

https://github.com/bytedance/flux | 🔍官方介绍

【机器人】

智元机器人

Genie Operator-1 通用具身基座大模型

Genie Operator-1（智元启元大模型）是一款通用具身基座模型，采用 ViLLA 架构，具备人类视频学习、小样本快速泛化、一脑多形跨本体应用、持续进化和高效动作执行等核心功能。官方称其可以降低具身智能门槛，并成功部署到智元多款机器人本体。

https://agibot-world.com/blog/agibot_go1.pdf | 🔍官方介绍

【新闻】

OpenAI 与微软关系紧张

OpenAI 转投 CoreWeave，微软自研大模型

CoreWeave 由 Nvidia 支持，专注于 AI 云服务，旗下有 32 个数据中心。3月10日，OpenAI 与 CoreWeave 达成了一项为期 5 年、价值 119 亿美元的协议。此前它的最大客户是微软。

而微软也被爆出正在推进自研模型，计划替代 OpenAI 的 o1、o3-mini 等核心模型，同时还积极测试 xAI、Meta、Anthropic 和 DeepSeek 等模型，以提升 Copilot 的技术实力。

这对昔日的「黄金搭档」正在走向技术竞争的新阶段。

https://techcrunch.com/2025/03/10/in-another-chess-move-with-microsoft-openai-is-pouring-12b-into-coreweave

https://www.theinformation.com/articles/microsofts-ai-guru-wants-independence-from-openai-thats-easier-said-than-done

3月11日

【模型】

阿里巴巴

R1-Omni 全模态大语言模型（开源）

R1-Omni 是一款全模态大语言模型，借助强化学习与可验证奖励机制，显著增强了视觉与音频模态融合的推理能力，让情感识别更精准且更具可解释性。与传统监督微调方法相比，R1-Omni 在情感识别任务中表现出色，尤其在处理分布外数据时，展现出强大的泛化能力。

https://github.com/HumanMLLM/R1-Omni | 🔍官方介绍

3月12日

【模型】

OpenAI

Responses API 和 Agents SDK 发布

Responses API 和 Agents SDK 两项新技术，可以提高开发者的工作效率和应用的智能化水平。

Responses API 结合了现有 Chat Completions API 的简洁性和 Assistants API 的工具调用能力，开发者可通过一次 API 调用集成多种工具和模型，简化开发流程。它内置了三个工具：Web Search（网络搜索）、File Search（文件搜索）和 Computer Use（计算机使用）。

Agents SDK 是一个开源的智能体框架，基于去年的实验项目 Swarm 发展而来，于简化多智能体的开发、协调与优化流程。它兼容符合 Chat Completions 标准的模型，目前支持 Python，Node.js 版本即将推出。

3 月 27日，Sam Altman 宣布已经在 Agent SDK 中支持 MCP，对 ChatGPT 桌面应用以及 Responses API 的支持也即将到来！

此次升级，全部都是为了 Agent 生态而准备的 🧐

https://openai.com/index/new-tools-for-building-agents

【模型】

Google

Gemma 3 多模态系列模型（开源）

Gemma 3 基于 Gemini 2.0 构建，是一组轻量级、高性能的模型，可在单个 GPU 或 TPU 主机上运行，谷歌称其为「全球最佳单加速器模型」。

Gemma 3 提供 1B、4B、12B 和 27B 四种尺寸版本。除 1B 版本外，其他版本支持理解 140 多种语言，其中 35 种语言可「开箱即用」。它还支持文本、图像、短视频混合输入，能处理图像问答、视频内容分析等复杂多模态任务，提供 128k tokens 的上下文窗口，支持函数调用和结构化输出。

使用入口：开源；也可以前往 Google AI Studio 使用。

一个很适合本地部署的多模态小模型

https://blog.google/technology/developers/gemma-3

【模型】

Google DeepMind

Gemini Robotics 和 Gemini Robotics-ER 模型发布

Gemini Robotics 和 Gemini Robotics-ER 模型能够使机器人更直观地操作物理世界，无需人类监督或预编程即可完成多种任务。

Gemini Robotics 是一款视觉语言动作（VLA）模型，能让机器人在未经专门训练的情况下理解新的情境，执行复杂的物理任务，如折纸或打开瓶盖等。

Gemini Robotics-ER（具象推理）是一款增强版视觉语言模型（VLM），专注于空间推理，帮助机器人更好地理解复杂动态环境。

DeepMind 已与 Apptronik 合作打造下一代人形机器人，并宣布与多家机器人公司合作测试 Gemini Robotics-ER 模型。

https://deepmind.google/discover/blog/gemini-robotics-brings-ai-into-the-physical-world

【图像】

Google

Gemini 2.0 Flash 原生图像生成功能开放

Gemini 2.0 Flash 原生图像生成功能已正式上线。开发者可通过 API 或 AI Studio 界面测试该模型的图像生成与编辑功能。与 Stable Diffusion、Flux 等不同，Gemini 2.0 Flash EXP 模型既能用自然语言生成图片，还能将图像与文本融合输出，并支持多轮对话，逐步调整和优化图像。

使用入口：前往Google AI Studio（aistudio.google.com）试用；调用官方 API。

开启了 3 月通过 LLM 生成图片的浪潮，对传统图片生成模型形成了降维打击 💣

https://developers.googleblog.com/zh-hans/experiment-with-gemini-20-flash-native-image-generation

【图像】

字节跳动

Seedream 2.0 文生图模型技术报告发布

豆包大模型团队首次公开了 Seedream 2.0 图像生成模型的技术细节，涵盖数据构建、预训练框架以及后训练的 RLHF 全流程。

Seedream 2.0 文生图模型具备原生中英双语理解、文字渲染、高美感、分辨率与画幅变换等特性。自 2024 年 12 月初在豆包和即梦上线以来，已服务上亿 C 端用户。

字节很愿意分享技术细节，对行业是个大好事 👍

https://team.doubao.com/tech/seedream | 🔍官方介绍

3月13日

【模型】

Cohere

Command A 极致性能极低算力的企业级模型（开源）

Command A 是一款为企业应用场景量身打造的大模型，支持长达 256K 的上下文长度，涵盖 23 种语言，还能与企业工具无缝集成，助力复杂工作流程。

此外，Command A 仅需两块英伟达 A100 或 H100 GPU 即可高效运行，相比于 GPT-4o 和 DeepSeek-V3 等同类模型，大幅降低了硬件成本。

使用入口：开源；可以调用 API。

111B 的参数量，比传统的 32B 或 70B 门槛还是高了不少，所以热度不高

https://cohere.com/blog/command-a

【应用】

阿里巴巴

夸克升级为 AI 旗舰应用，推出「AI 超级框」概念

夸克宣布基于通义推理及多模态大模型，全面升级为无边界的「AI超级框」。用户输入指令后，夸克智能中枢系统将自动识别意图并完成 AI 搜索、AI 写作、AI 生图等各场景任务。未来，通义系列最新模型也将第一时间接入夸克。

使用入口：下载夸克客户端、移动App 进行体验。

夸克想成为阿里 AI 的超级 App

https://www.quark.cn | 🔍官方介绍

3月14日

【音频】

Sesame

CSM 1B 语音合成模型（开源）

CSM（Conversational Speech Model）语音合成模型最大的特点是「真实」，其生成的语音带有真人般的语气和音调变化。该模型可直接从文本或音频输入生成语音，推理速度远超传统TTS，能够实现实时语音生成。模型上线后引发了广泛关注，被多位投资人评价为「目前最好的 AI 语音应用」。

使用入口：开源；前往官网与演示角色 Maya（女声）和 Miles（男声）互动；查看在线演示（huggingface.co/spaces/sesame/csm-1b）。

强烈建议听听 Demo，语气和情感极为真实 ❗❗❗

https://www.sesame.com/research/crossing_the_uncanny_valley_of_voice

【应用】

Google Gemini 重要更新

Personalization 个性化

开启个性化功能后，Gemini 即可连接你的谷歌应用（可以随时关闭），基于搜索历史提供更贴合个人需求的回答。比如，询问餐厅推荐时，Gemini 会参考你近期与食物有关的搜索记录；询问旅行建议时，Gemini 会参考你之前搜索过的目的地。

使用入口：在模型下拉菜单中选择 Personalization (experimental)。

给模型提供更好的上下文，是提升模型效果的捷径

https://blog.google/products/gemini/gemini-personalization

Gems 智能体

Gems 就是国内应用常见的「智能体」功能。Gemini 用户可以使用官方发布的 Gems（智能体），也可以通过提示词快速创建自己的专属智能体，更好地完成特定任务，比如翻译、旅行规划、膳食指导、数学辅导等等。

使用入口：已经向 Gemini 所有用户开放。

https://blog.google/products/gemini/google-gems-tips

Canvas

Canvas 互动空间可以完成文稿创建和编辑、并且可以基于 Gemini 模型的反馈进行优化，快速完善作品，还可以一键导出到 Google Docs。此外，Canvas 进一步简化了编程任务，覆盖代码生成/调试/解释各个环节，还可以生成并预览 HTML / React 代码。

使用入口：面向所有 Gemini 用户推出。

https://gemini.google/overview/canvas

Audio Overview

Audio Overview 可以把上传的文件转化为播客式的音频讨论，相当于把 NotebookLM 内置到 Gemni 里了。

使用入口：面向所有 Gemini 用户推出。

https://blog.google/products/gemini/gemini-collaboration-features

【新闻】

四部门联合发布

《人工智能生成合成内容标识办法》

国家互联网信息办公室、工业和信息化部、公安部、国家广播电视总局联合发布《人工智能生成合成内容标识办法》。《办法》要求自 2025 年 9 月 1 日起，所有 AI 生成的文本、图片、音频、视频等内容必须添加显式标识或隐式标识。

其中，显式标识需以文字、语音等可感知方式呈现，隐式标识则通过元数据或数字水印嵌入文件。传播平台需核验内容标识状态，对无标识或疑似AI生成内容进行标注提醒。

国家希望对 AI 生成的内容画出一条明确的界限

https://www.cac.gov.cn/2025-03/14/c_1743654685899683.htm

3月15日

【应用】

Anuttacon（蔡浩宇）

《Whispers From The Star》AI 游戏开启内测

《Whispers From The Star（群星低语）》是一款科幻背景的沉浸式互动叙事游戏：天体物理系学生 Stella 意外坠落到外星星球「盖亚」，玩家需要通过文字、语音或视频与她互动，帮助她生存并逃离险境。

2024 年 8 月，蔡浩宇卸任米哈游国内职务后创立了 Anuttacon，目标是通过 AI 技术突破互动娱乐的界限。

使用入口：游戏已开放内测（wfts.anuttacon.com），仅支持 iOS 12 以上的设备。

https://wfts.anuttacon.com

【新闻】

315 晚会

曝光 AI 外呼机器人在电话营销中的滥用乱象

2025 年 315 晚会曝光了 AI 外呼机器人在电话营销中的滥用行为及其对消费者权益的侵害。涉事公司利用 AI 外呼机器人拨打大量电话，其声音逼真，效率极高，且能够通过关键词触发话术，精准定位目标客户，严重侵犯了消费者的隐私权和生活安宁权。

根据《中华人民共和国民法典》第一千零三十三条，未经消费者同意，任何组织或个人不得通过电话、短信等方式侵扰他人的私人生活安宁。因此，无论是AI外呼机器人还是人工电话营销，未经用户同意的电话营销行为均属违法行为。

https://tv.cctv.com/2025/03/15/VIDEVvHrOCTeWbuYYHKd9beZ250315.shtml

3月16日

【模型】

百度

文心大模型 4.5 原生多模态大模型 && X1 深度思考模型发布

文心大模型 4.5 是百度首款原生多模态大模型，在多模态理解能力上显著提升。文心大模型 X1 是一款深度思考模型，性能对标 DeepSeek-R1，API调用价格约为 R1 的一半。

使用入口：前往文心一言官网（yiyan.baidu.com）免费使用；前往百度智能云千帆大模型平台调用 API。

🔍官方介绍

3月17日

【模型】

Mistral AI

Mistral Small 3.1（24B）多模态理解模型（开源）

Mistral Small 3.1 是 Mistral Small 3 的升级版，新增了图像理解能力，上下文长度也提升至 128K，能在单张 RTX 4090 显卡或配备 32GB 内存的 Mac 上运行。模型在多个基准测试中击败了 Gemma 3 和 GPT-4o Mini 等同类模型。

使用入口：开源；前往官方开发者平台 La Plateforme（console.mistral.ai）调用 API；已上线谷歌云 Vertex AI 平台。

Gemma3 的竞品

https://mistral.ai/news/mistral-small-3-1

【3D】

Roblox

Cube 3D 建模工具（开源）

Cube 是一款基于生成式 AI 技术的 3D 建模工具，可以通过简单的文本提示词生成 3D 物体，并允许创作者在 Roblox Studio 中进一步调整和优化。

Roblox 还推出了三项 AI 新工具：文本生成、文本转语音、语音转文本，分别用于增强游戏中的文字交互、语音旁白、语音指令功能。未来还将推出更复杂的物体网格生成工具以及全新的场景生成工具。

使用入口：开源，官方 GitHub（github.com/Roblox/cube）和 HuggingFace（huggingface.co/Roblox/cube3d-v0.1）已发布。

https://corp.roblox.com/newsroom/2025/03/introducing-roblox-cube

3月18日

【模型】

昆仑万维

Skywork R1V 多模态思维链推理模型（开源）

Skywork R1V 是一款多模态思维链推理模型，能够对复杂视觉任务进行多步骤逻辑推理，逐步分析并得出结论。

官方称其为「全球·首个·工业级·开源」多模态推理模型，是因为其通过 Skywork-VL 视觉投影器，将文本推理能力高效迁移到视觉任务中，无需重新训练语言模型和视觉编码器，在工业界缺失视觉数据库的情况下也能够实现视觉推理能力。

使用入口：开源了模型权重和技术报告。

名字 R1V 非常直白，比 R1 多了多模态的能力，非常实用

https://github.com/SkyworkAI/Skywork-R1V | 🔍官方介绍

【3D】

腾讯

Hunyuan 3D 2.0 模型家族（开源）

Turbo 系列模型 在保证高精度和高质量的基础上，对几何生成模型进行了数十倍的加速，确保整个生成过程能够在 30 秒内完成。

多视图版本模型（例如 Hunyuan3D-2-MV）通过结合多个视图的输入信息，能够更好地捕捉细节并生成符合用户预期的 3D 资产。

轻量级 mini 系列模型 通过模型架构优化与运行效率提升，可进一步降低算力成本，其几何模型可以部署在 4080 显卡甚至苹果 M1 Pro 芯片上，为模型的应用扩展了场景。

使用入口：开源；前往3D创作引擎（3d.hunyuan.tencent.com）体验。

腾讯连 3D 都做，战略覆盖面应该是第一了 🥇

🔍官方介绍

【应用】

字节跳动

豆包支持 Python 代码运行和 HTML 代码实时预览

豆包「AI 编程」支持 Python 代码运行及 HTML 代码预览，实时验证生成代码的可用性。其中，Python 代码运行目前只支持部分常见库，HTML 代码支持实时预览和交互（也就是 Artifacts 功能）。

使用入口：前往豆包官网（doubao.com/chat/coding）免费使用。

是不是做的有点晚了？这功能已经成为聊天机器人标配了

https://www.doubao.com/chat/update

【新闻】

零一万物

万智企业大模型一站式平台发布

零一万物宣布推出万智企业大模型一站式平台，为企业级 DeepSeek 部署定制解决方案。零一万物创始人、CEO 李开复向媒体透露，公司已经全面转向应用阶段。

正式宣布零一转型了

https://b.01.ai | 🔍官方介绍

3月19日

【模型】

OpenAI

o1-pro 推理模型上线API，目前最贵的人工智能模型

o1-pro 是 OpenAI 目前最昂贵的人工智能模型，其定价为每百万输入 token 150 美元，每百万输出 token 600 美元，是常规 o1 模型生成价格的十倍。

o1-pro 价格之所以如此之高，主要是因为其投入了更多的计算资源，能够提供更一致且优质的回应，并支持视觉处理、函数调用、结构化输出等功能。此外，o1-pro 还兼容 Responses API 和 Batch API，使其在复杂任务处理上具有显著优势。

使用入口：目前仅向特定开发者开放。

问个“你好”扣了十块 💢

https://platform.openai.com/docs/models/o1-pro

【视频】

Stability AI

Stable Virtual Camera 多视图扩散模型（开源）

Stable Virtual Camera 模型可以把将静态图像（最多 32 张）转为沉浸式 3D 视频，生成的视频具备真实深度和透视效果，帧数可长达 1000 帧。

该模型结合了传统虚拟相机的控制能力与生成式 AI 的创造力，支持用户自定义相机轨迹及多种动态路径（如螺旋、推拉变焦、平移等）。不过，在处理包含人类、动物或动态纹理（如水面）的图像时，模型可能会出现质量下降的情况。

使用入口：前往观看在线演示（huggingface.co/spaces/stabilityai/stable-virtual-camera）。

https://stable-virtual-camera.github.io

【应用】

Cursor

Claude 3.7 Max 模式上线

Claude 3.7 Max 是基于 Claude 3.7 Thinking 模型开发的高级版本，专为解决复杂代码难题而设计。它拥有 200K 的超大上下文窗口，可一次性加载并处理大量代码，适合复杂项目和大规模代码编辑。此外，单次链式操作中工具调用次数上限提升至 200 次，让开发者能更高效地进行大规模代码编辑和上下文分析。

不过，Claude 3.7 Max 采用按用量付费模式，每次请求（prompt）和每次工具调用（tool call）均收费 0.05 美元。

从实现逻辑上来看，这个 MAX 版本像是 Cursor 预置的一个工作流，而不是 Claude 的新版本模型

https://forum.cursor.com/t/max-mode-for-claude-3-7-out-now/65698

【应用】

Windsurf

Wave 5 重磅更新，Windsurf Tab 功能升级

Windsurf Wave 5 的更新带来了全新的 Windsurf Tab 功能，支持类 Cursor 的 tab 补全、导入、跳转和多行补全，并且提升了上下文感知能力、质量和速度。

终于补齐了一个大短板

https://codeium.com/blog/windsurf-wave-5

【3D】

群核科技

SpatialLM 空间理解模型（开源）

SpatialLM 是一款空间理解模型，能够将手机拍摄的视频转化为三维空间布局信息，且支持自然语言交互。用户无需借助专业设备，仅用手机拍摄家中布局，便可生成包含三维坐标、尺寸参数、类别信息等在内的结构化 3D 场景数据。

群核科技属于「杭州六小龙」之一，因此本次开源也收获了更多关注。杭州六小龙是指总部位于杭州的六家科技创新企业，包括云深处科技、宇树科技、深度求索、游戏科学、强脑科技和群核科技。

使用入口：前往 HuggingFace 、Github、魔搭社区等平台下载部署。

https://manycore-research.github.io/SpatialLM | 🔍官方介绍

【机器人】

宇树科技

G1 人形机器人完成全球首次原地侧空翻 && 首次鲤鱼打挺

3月19日，宇树科技人形机器人 G1 成功完成全球首次原地侧空翻动作。G1 轻松完成原地侧空翻动作落地后仍保持平衡，在站立稳定性上表现亮眼。

https://www.bilibili.com/video/BV1v8QdYHEB4

3 月 21 日，G1 成功完成全球首次鲤鱼打挺动作,展示了 G1 在平衡控制、动力系统和机械结构上的高度技术突破。

https://www.bilibili.com/video/BV1nkXkYfEBX

3月20日

【模型】

百川智能 X 北京儿童医院 X 小儿方健康

福棠·百川（全球首个）儿科大模型发布

福棠·百川是全球首个儿科大模型，不仅覆盖了儿童常见病与疑难病症的立体化知识体系，还首创了儿科「循证模式」，能像专业儿科医生一样整合最佳医学证据，为患儿制定科学、个性化的诊疗方案。

此外，三家合作伙伴还共同打造了「福棠·百川」AI 儿科医生专家版、基层版两款应用，以更好提升基层医院的儿科服务能力，缓解基层优质儿科医疗资源不足的难题。

终于见到百川最新的消息了 👀

🔍官方介绍

【视频】

阶跃星辰

Step-Video-TI2V 图生视频模型（开源）

Step-Video-TI2V 图生视频模型，支持生成 102 帧、5 秒、540P 分辨率的视频，具备运动幅度可控和镜头运动可控两大核心特点，同时天生具备一定的特效生成能力，在动漫类任务上的效果尤其优异。

使用入口：开源；前往跃问视频官网（yuewen.cn/videos）或 跃问App 使用。

https://github.com/stepfun-ai/Step-Video-TI2V | 🔍官方介绍

3月21日

【模型】

腾讯

混元 T1 深度思考模型发布并上线

混元 T1 是一款能秒回、吐字快、擅长超长文处理的推理模型。它采用了 Hybrid-Mamba-Transformer 融合模式，是工业界首次将混合 Mamba 架构无损应用于超大型推理模型，显著降低了训练和推理成本。

使用入口：前往元宝 App 和 ima App 体验；前往腾讯云调用 API。

速度很快，价格很便宜，智力也不错，综合性价比极高 👍

https://llm.hunyuan.tencent.com/#/blog/hy-t1 | 🔍官方介绍

【音频】

OpenAI

GPT-4o-transcribe 和 GPT-4o-mini-transcribe 语音转文本模型

GPT-4o-Transcribe 和 GPT-4o-Mini-Transcribe 是 GPT-4O 模型的升级版，语音转录性能出色。与之前的 Whisper 模型相比，它们在多种行业基准测试中词错误率更低，能更精准地捕捉语音细节。

GPT-4o-mini-tts 文本转语音模型

GPT-4o-Mini-TTS 模型可通过文本提示精准控制生成语音的情感、口音、音调、语气等。感兴趣的用户可前往演示网站 OpenAI FM（OpenAI.fm）进行测试。

https://openai.com/index/introducing-our-next-generation-audio-models

3月22日

【应用】

Anthropic

Claude 可以联网

用户在个人设置中开启网页浏览功能后，Claude 会自动启用联网搜索能力。它会为从互联网获取的信息提供引用，方便用户核实来源，确保信息的准确性和透明度。目前，该功能仅向美国地区的付费用户开放，未来将逐步向免费用户开放。

相比国产产品，这个功能来的有点太迟了 🧭

https://www.anthropic.com/news/web-search

Claude Code 辅助编程应用取消 WaitList 可以直接使用

Claude Code 是一款智能编码工具，可在终端运行，无缝集成到开发环境，无需额外服务器或复杂设置，能有效简化工作流程。3 月 22 日起，Claude Code 辅助编程应用取消等待名单，可直接使用。

https://docs.anthropic.com/en/docs/agents-and-tools/claude-code/overview

3月23日

【融资】

Browser Use

完成 1700 万美元种子轮融资

Browser Use 完成 1700 万美元种子轮融资，资金将主要用于巩固其在 Web 自动化领域的技术优势。本轮融资由 Felicis Ventures 领投，Paul Graham、A Capital、Nexus Venture Partners 等知名投资方参投。

自开源以来，Browser Use 广受开发者欢迎，其 GitHub 仓库迅速收获超 5 万星标。目前，包括大热产品 Manus 在内的多家企业已采用其解决方案。

本质还是 CodeAct 的思想，通过 AI 编写 JS 代码，再去操作网页

https://browser-use.com/posts/seed-round

3月24日

【应用】

百度

秒哒 无代码应用开发平台上线

秒哒是一款智能无代码开发工具，只需用自然语言描述需求，就能自动生成完整功能代码，并支持多轮迭代修改。平台内置了策划、设计、开发等十余个专业领域的 AI 智能体，可根据项目需求灵活组建虚拟开发团队，实现高效协同。

使用入口：前往秒哒官网（miaoda.baidu.com）体验。

测试了一下，发现连使用代码去修改的机会都没有，是不是有点激进了 ❓

🔍官方介绍

3月25日

【模型】

Google

Gemini 2.5 Pro（实验版）多模态推理模型发布

Gemini 2.5 Pro Experimental 推理模型，支持文本、图像、音频、视频及代码的多模态输入，上下文窗口已达 100 万 token，并计划未来拓展至 200 万 token，以更好地应对复杂跨模态任务。

该模型具备独特的「思维链推理」能力，在处理数学、科学等多步逻辑推导任务时，能通过系统化思考生成解决方案，显著提升准确性。在多项权威测试中，它均展现出领先优势，堪称谷歌目前最智能的模型。

使用入口：已上线 Google AI Studio 和 Vertex AI 云平台。

对标 Claude 3.7 Sonnet

https://blog.google/technology/google-deepmind/gemini-model-thinking-updates-march-2025

【模型】

阿里巴巴

Qwen2.5-VL-32B 多模态模型（开源）

Qwen2.5-VL-32B-Instruct 在视觉语言理解和数学推理方面表现卓越，不仅能精准解析复杂图像，还能高效处理几何分析和数学难题。与同规模的 Mistral-Small-3.1-24B 和 Gemma-3-27B-IT 相比，其性能优势明显，甚至在某些领域超越了更大规模的 Qwen2-VL-72B 模型。

使用入口：开源；前往 Qwen Chat 官网（chat.qwen.ai）使用。

很适合本地部署来做 OCR 任务

https://qwenlm.github.io/blog/qwen2.5-vl-32b

【模型】

DeepSeek

DeepSeek-V3-0324 模型更新（开源）

DeepSeek-V3-0324 模型在训练过程中借鉴了 DeepSeek-R1 的强化学习技术，显著提升了推理能力，在数学和代码类评测中的表现已超越 GPT-4.5。开源非推理模型新的里程碑时刻。

使用入口：登录官方网站（chat.deepseek.com）、App、小程序进入对话界面后，关闭「深度思考」即可体验；API 接口和使用方式保持不变。

期待基于 v3-0324 训练的新版 R1（会不会叫 R2 呢）

https://api-docs.deepseek.com/zh-cn/news/news250325 | 🔍官方介绍

【模型】

RWKV 元始智能

RWKV-7-G1 0.4B 推理模型（开源）

RWKV-7-G1 0.4B 是一款轻量级推理模型，参数仅 0.4B，可流畅运行于中低端设备。它支持超过 100 种语言和长文本处理，专为边缘计算优化，具有内存占用低、计算高效的特点，非常适合本地 AI 应用、物联网设备及多模态场景部署。

使用入口：开源；可以 Hugging Face 或者魔搭试用 Demo，或者下载 App（内测阶段）。

Transformer 的挑战者至今还未成规模

🔍官方介绍

【图像】

Reve

Reve Image（Halfmoon）图像生成模型

Halfmoon 模型登顶 Artificial Analysis 图像生成模型排行榜，超越此前大热的 Recraft v3。3 月 25 日，Reve 公司正式发布该模型，定名为 Reve Image。

Reve Image 支持文生图与图生图功能，不仅能精准理解复杂文本描述，还能通过简单指令修改图像。 其生成的图像色彩鲜明、光影细腻、细节丰富，并具备出色的文字融合能力，可精准控制字体、大小和颜色等样式。

使用入口：前往 Reve 官网（preview.reve.art）体验。

https://artificialanalysis.ai/text-to-image/arena?tab=Arena

https://x.com/reveimage/status/1904211082870456824

3月26日

【模型】

OpenAI

GPT-4o 图像生成功能上线，吉卜力风格图像爆火全球

GPT-4o 基于原生的多模态能力，能够精准生成包含复杂文本的图像，支持从写实风格到艺术插图的多种风格，能处理复杂的用户指令，并保持一致性，还能通过多轮对话逐步调整和完善图像。

使用入口：该功能已集成到 ChatGPT 中，用户在对话中输入生图请求即可使用这一功能。API 将在未来几周内提供。

全面超越 Gemini 生图能力，给大众秀了一把全模态模型的能力 👏

https://openai.com/index/introducing-4o-image-generation | 🔍测评

【音频】

昆仑万维

Mureka V6 音乐生成模型 && Mureka O1 音乐推理模型

Mureka V6 是基座模型最新版本，支持纯音乐生成和 10 种语言的 AI 音乐创作。该模型采用自研的 ICL（上下文学习）技术，优化了声场和人声质感，使混音更加专业。

Mureka O1 是基于 V6 的推理优化版本，首次在 AI 音乐领域引入思维链（CoT）技术，通过「生成-批判-优化」的多轮推理机制，大幅提升音乐的结构连贯性和乐器编排精准度。

使用入口：登录Mureka（mureka.ai）体验。

Suno 真正的挑战者，还支持 API 接入 👍

🔍官方介绍

【新闻】

智源研究院

被美国商务部列入新一批「实体清单」

美国商务部工业与安全局（BIS）近日宣布将 50 余家中国科技企业和机构列入「实体清单（Entity List）」，其中包括北京智源人工智能研究院（BAAI）。这一决定已于 2025 年 3 月 28 日正式生效。

对此，智源研究院发布声明称，对作为民办非营利科研机构被加入实体清单表示震惊，强烈反对这一毫无事实依据的错误决定，并要求美国相关部门予以撤回。

另一种“官方技术认证”

https://www.federalregister.gov/documents/2025/03/28/2025-05427/additions-to-the-entity-list | 🔍智源回应

3月27日

【模型】

阿里巴巴

Qwen2.5-Omni-7B 端到端全模态大模型（开源）

Qwen2.5-Omni-7B 是一款轻量级全模态大模型，仅 7B 参数却性能卓越，在全模态任务评测中多项指标刷新纪录。它支持文本、图像、音频、视频等多模态输入，并能实时输出文本与自然语音。该模型体量小巧，易于部署，家用电脑即可流畅运行。

使用入口：开源；可以前往Qwen Chat（chat.qwenlm.ai）发起语音/视频聊天感受模型能力。

猜测这个模型很快也可以生成图片 🧐

https://qwenlm.github.io/zh/blog/qwen2.5-omni | 🔍官方介绍

【模型】

蚂蚁集团

Ling-Coder-Lite 和 Ling-Coder-Lite-Base 代码大模型（开源）

Ling-Coder 最新开源了 Ling-Coder-Lite 和 Ling-Coder-Lite-Base 两款模型。其中 Ling-Coder-Lite 总参数量达 16.8B，推理时激活参数仅需 2.75B，在保证更高效率的同时实现了更优效果。代码基准测试显示，其性能与同尺寸最佳模型（Qwen2.5-Coder-7B）相当。

使用入口：开源并同步发布技术报告；一并开源用于退火训练的 SyntheticQA、用于后训练 SFT 和 DPO 共计约 3000 万条数据。

和传说中的 Qwen3 规格有点像

https://github.com/codefuse-ai/Ling-Coder-Lite | 🔍官方介绍

【图像】

Ideogram AI

Ideogram 3.0 图像生成模型发布

Ideogram 3.0 模型在照片级真实感、文本渲染准确性、风格一致性等方面均有显著提升。其中，新增的「Style Reference」功能允许用户上传最多 3 张参考图像来指导生成内容的风格，同时「Random Style」功能则可让用户从 43 亿种预设风格库中随机探索独特风格。

使用入口：可以前往 Ideogram 官网（ideogram.ai）或 iOS App 应用体验。

与 4o 或 Gemini 的生图相比，有种古典模型的感觉了

https://about.ideogram.ai/3.0

【应用】

快手 – 可灵 AI

上线多款创意特效 && AI 音效

可灵上线了多款创意特效，如花花世界、魔力转圈圈、快来惹毛我、捏捏乐、万物膨胀等。上传图片即可生成 5 秒钟的动效视频。

AI 音效功能，可以基于文字提示词创作特定音效，可以从预置的多款音效中选择，也可以给指定视频进行配音。

使用入口：前往可灵 AI 官网（app.klingai.com）或手机 App 体验。

https://klingai.kuaishou.com/image-to-video/special-effects/new | 🔍官方介绍

3月28日

【模型】

阿里巴巴

QVQ-Max 视觉推理模型

QVQ-Max 视觉推理模型是 QVQ-72B-Preview 预览版（2024年12月发布）的首个正式版本。这款多模态模型具备强大的图像与视频理解能力，不仅能准确识别图片和视频里的视觉内容，还能进行深度分析、逻辑推理，并提供解决方案。

使用入口：前往 Qwen Chat 官网（qwen.ai) 体验。

期待 QWQ 和 QVQ 合并 ➕

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

【应用】

字节跳动

豆包深度思考实现「边想边搜」

豆包的「深度思考」功能将推理过程的思维链与搜索相结合，在思考过程中可根据推理多次调用工具、搜索信息。面对复杂问题或模糊条件时，它能进行多轮搜索，显著提升回复质量。

使用入口：前往豆包官网（doubao.com）或 App 体验。

此功能应该是通过模型后训练达到的，而不是简单的多轮调用，字节这次领先了 👍

https://www.doubao.com/chat/update | 🔍官方介绍

【3D】

Meshy AI（胡渊鸣）

Meshy-V5（预览版）3D 生成模型上线

Meshy.ai 是一个 AI 驱动的 3D 建模工具，其核心功能包括从文本/图片生成高质量的 3D 模型，并能为这些模型快速添加高质量纹理。

升级后的 Meshy-5 可以适配任意光照环境，细节更高清，贴图与几何结构匹配更精准，可广泛应用于游戏开发、3D打印、影视动画、AR/VR/XR 等领域，帮助用户快速创建逼真的 3D 资产。

使用入口：前往官网（meshy.ai）试用。

AI 3D 生成越来越精细了 👍

https://x.com/MeshyAI/status/1905445314892628325

3月29日

【应用】

面壁智能

cpmGO 小钢炮超级助手 ，首个纯端侧智能助手

小钢炮超级助手 cpmGO 是首款纯端侧汽车助手，采用端云协同架构，实现舱内外全链路感知、决策与执行能力。它支持视觉、语音及多模态交互，提供端到端智能服务，涵盖泛化语音车控、GUI Agent、智能哨兵等全场景功能。其创新的端侧设计不仅突破弱网限制，更兼顾数据安全与低功耗高性能表现。

🔍官方介绍

【3D】

VAST

TripoSG 和 TripoSF 两款 3D 模型发布（开源）

TripoSG 和 TripoSF 两款模型在性能、细节表现、可控性上均有显著突破，进一步巩固了 VAST 在 AI 3D 生成领域的领先地位。

TripoSG 模型能将单张图片（草图/卡通/照片）转化为细节丰富的 3D 网格模型。TripoSF 模型专注于处理任意拓扑结构和高分辨率（最高可达 1024³）的 3D 建模任务。

使用入口：开源；访问 TripoSG 1.5B 参数版本的模型 Demo（huggingface.co/spaces/VAST-AI/TripoSG）。

https://github.com/VAST-AI-Research/TripoSF

3月31日

【模型】

智谱

AutoGLM 沉思上线，沉思模型 GLM-Z1-Rumination（即将开源）

AutoGLM 沉思是一项融合深度思考与自主操作的 AI Agent 功能。它能够进行复杂推理、实时检索信息，并协同使用多种工具（如网页浏览、数据整理、报告生成等），实现「边想边干」的智能化操作。

当前预览版主要支持 Research 场景，两周后即将推出的「虚拟机」版本将进一步提升 AI Agent 的实用能力。

使用入口：AutoGLM 沉思已经上线智谱清言 PC 客户端（autoglm-research.zhipuai.cn）。

在本地跑的“Manus”，对隐私更加友好

GLM-Z1-Rumination（沉思模型）是 AutoGLM 沉思功能的核心支撑，创新性地融合了实时搜索、动态工具调用、深度分析和自我验证，形成完整的自主研究流程，突破了传统 AI 仅依赖内部知识的局限。

使用入口：4 月 14 日正式开源。

据说只有 32B，可以本地部署，非常期待 👀

🔍官方介绍

【模型】

蚂蚁集团 X 清华大学（吴翼）

AReaL-boba 强化学习训练框架（开源）

AReaL-boba 是 AReaL（Ant Reasoning RL）项目的最新版本（0.2版本），其主要目标是提升训练效率和推理能力，同时大幅降低训练成本。例如，在数学推理任务中，该框架仅需 200 美元和 200 条数据即可复现 QwQ-32B 模型的顶尖性能。

使用入口：AReaL-boba 的框架代码、训练数据、模型权重及技术文档已经全部开源。

R1 复现的门槛更低了，以后可能就是计算机系的课后作业了

https://github.com/inclusionAI/AReaL | 🔍官方介绍

【模型】

中国科学院青藏所

洛书（全球首个）水-能-粮大模型

洛书大模型集成了科学模型「思源（Hydro Trace）」、通义千问推理模型 QwQ-32B、多模态模型 Qwen2.5-VL，可对特定区域在不同时间尺度的来水量和来源进行精准分析和预测。目前洛书大模型已在青藏高原及部分能源企业开展测试工作。

洛书大模型监测水文时空变化 | 🔍官方介绍

【视频】

Runway

Runway Gen-4 视频生成模型发布

Runway Gen-4 声称是目前最高保真的 AI 视频生成器之一，其核心优势在于能够生成主体、物体和风格一致且运动效果逼真的视频内容。

模型能够确保在不同镜头中保持角色、场景和物体的高度一致性，还可以能够精准模拟真实世界的物理规律，使得生成的视频不仅具有逼真的动作效果，还能展现复杂的场景交互。

使用入口：优先向公司的付费用户和企业客户推出。

暂时只支持图片生成视频

https://runwayml.com/research/introducing-runway-gen-4

（文：赛博禅心）