Let's Make AGI Real

模型竞技场：新秀登场，巨头升级

• OpenAI的顶级图像生成模型GPT image one现已通过API开放，开发者可根据需求选择不同分辨率和价格方案。其O3 和 O4 mini 模型展现出能够根据照片准确识别拍摄地点的能力. OpenAI还计划在六月左右发布一款开源AI模型，据称性能将超越Meta和Deepseek的同类产品，并可能拥有超过1000万token的上下文窗口，甚至可能具备调用OpenAI闭源模型API的能力。此外，OpenAI还推出了轻量级的深度研究版本，由O4 Mini驱动，旨在提高Plus、Team和Pro用户的速率限制，并在免费计划中开放了原版深度研究功能，每月可使用五次至5月25日。
• Google发布了高质量逼真的文本到视频生成模型 View 2，已在Gemini API、AI Studio和移动应用中上线。其Gemini 2.5 Flash 预览版作为混合推理模型，在多个基准测试中表现优异，尤其在STEM领域，用户还可控制推理预算。Google还在Gemma 模型中引入了量化感知训练 (QAT) 技术，使其在低精度量化后仍能保持良好准确性.
• xAI发布了其旗舰AI模型Grok 3，并推出了Grok 3 Mini API，基准测试显示其在多方面优于其他竞争模型且价格更低。此外，Grok 聊天机器人新增了视觉功能。
• Meta发布了拥有80亿参数的开放视觉语言模型Perceptron LM，专注于视频理解. 同时推出了用于精确对象理解的Locate 3D和测试AI协同能力的Collaborative Reasoner框架。Meta还发布了可扩展的无语言依赖视觉表征学习方法WebSSL和纯视觉Transformer模型系列DINOv2.
• 中国公司Bidence（字节跳动）创建了视频基础模型Seaweed 7B，并在排行榜上表现出色。
• AI2 (Allen Institute for AI)致力于开源，发布了参数高达10亿的小型模型，并提供关于基准、预测模型和评估指标的建议。
• Nvidia推出了小型长上下文多模态学习模型Eagle 2.5 VLM，在长视频理解方面表现出色.
• 新型混合模型Nimatron通过用Mamba层替换自注意力层，实现了更快的速度和更长的上下文长度.
• Physical Intelligence发布了视觉语言动作模型PIE，旨在使机器人能够在新的环境中执行任务。

智能助手进化：从代码到生活

• MicrosoftCopilot Studio新增UI Agents功能，可在没有API的情况下自动化桌面和Web工作流程。Microsoft 365 Copilot还新增了AI驱动的搜索、新的创建体验、Copilot笔记本和一个Agent 商店，提供各种功能的Agent，例如分析师和研究员等。此前宣布又撤回的Recall 功能再次确认即将推出，并改为选择启用，数据在本地处理。Microsoft搜索也在利用NPU和AI改进搜索功能，并推出了可以直接在屏幕上总结、重写或复制粘贴文本和图像的“点击执行”功能。
• JetBrains推出了更高级的智能编码助手JUNI，能够执行更复杂的开发任务，类似初级开发人员或结对编程伙伴。
• Anthropic提出了模型上下文协议 (MCP)及其Python库，使得模型与外部环境交互更加容易. Anthropic还发布了关于如何更好地使用Claude进行Agentic Coding的最佳实践.
• Bidence推出了开源多模态AgentUI TARS 1.5，可以与用户的桌面和浏览器进行交互。
• Perplexity在其iOS应用中推出了Perplexity Assistant，旨在实现更强大的手机助手功能，如播放媒体、起草邮件、移动会议等.

多模态融合：视听理解再上台阶

• OpenAI的O3 和 O4 mini 模型具备识别照片拍摄地点的能力. 其图像生成模型已通过API提供。
• Google的View 2是一个高质量的文本到视频生成模型。
• xAI的Grok 聊天机器人新增了视觉功能。
• Meta发布了开放视觉语言模型Perceptron LM，用于视频理解.
• Nvidia推出了小型长上下文多模态学习模型Eagle 2.5 VLM，擅长长视频理解.
• Bidence的UI TARS 1.5 Agent是一个开源的多模态Agent，支持图像输入。
• Ray-Ban Meta智能眼镜推出了实时翻译功能，并支持离线语言包。

开源生态与工具链：加速创新步伐

• OpenAI计划发布开源AI模型，并推出了开源框架Open Agent，利用双LLM协作提高代码质量.
• AI2 (Allen Institute for AI)持续发布开源小模型。
• Bidence开源了多模态AgentUI TARS 1.5。
• Google在Gemma 模型中引入了量化感知训练技术，方便在资源受限设备上运行.
• Anthropic提出了模型上下文协议 (MCP)及其Python库.
• Adobe Firefly发布新版本并支持选择包括开源模型在内的多种模型.
• Google Sheets新增了AI 公式，方便用户在表格中执行各种AI任务。
• LTX Studio集成了Google V2 视频生成模型，并以相对较低的价格提供服务。

应用场景拓展：艺术、电商与生活服务

• YouTube正在测试AI 视频摘要功能，以片段轮播的形式高亮显示搜索相关的视频内容.
• Adobe Firefly和Crea AI在AI艺术领域推出新功能，如模型选择、聊天图像编辑和3D环境生成.
• Tencent发布了新的高质量3D模型Hunan 3D 2.5.
• Character AI为其虚拟角色推出视频生成功能avatar effects.
• Argil推出AI虚拟形象产品展示功能，方便开展电子商务
• Tavis发布了新型唇语同步模型 .
• Descript正在测试通过与AI聊天进行视频编辑的智能Agent功能.
• Ray-Ban Meta眼镜的实时翻译功能提升了沟通的便利性.

伦理考量与政策风向

• Anthropic发布报告，强调需要关注更广泛的AI危害，并声称 Claude 3.7 拒绝无害提示的比例有所降低，同时分享了 Claude 被恶意使用的案例研究. 其CEO Dario Amodei 强调了AI 可解释性的紧迫性.
• 据报告，互联网恶意Bot流量激增，AI的犯罪用途是推手之一.
• 美国电影艺术与科学学院对AI 辅助电影参与奥斯卡奖持开放态度，但强调人类的核心作用.
• 美国总统特朗普发布了关于AI 素养的行政命令，将其提升为国家优先事项.
• DeepMind CEO Demis Hassabis 谈论AI 的自我意识，认为理解“自我”和“他人”可能是其开端.
• 强化学习先驱者提出利用数据流进行模型持续学习的趋势.

算力基石与行业动态

• 中国GPU制造商华为的高性能GPU预计下月开始发货，性能据称与Nvidia H100相当.
• 中国人形机器人销量预计将大幅增长.
• Liner Aligner Deep Research作为科学搜索引擎，用户已超千万.
• 根据LLM排行榜，OpenAI和Google模型在英语和代码方面仍占主导地位，开源模型Deepseek V3表现出色，中国Moonshot AI的Kim 1.5模型据反馈性能优异.

总而言之，本周AI领域在模型创新、工具迭代、应用拓展以及伦理与政策探讨等方面都呈现出蓬勃发展的景象。各家公司在基础研究和实际应用上持续发力，推动AI技术不断向前演进。

附注：

AI进展神速，令人眼花缭乱，各类术语名词众多。《一周速览》篇幅有限，不能详尽解释，如过眼烟尘，有朋友反映看不懂。因此本期特设“深度版”（https://wp.me/p343At-o0），补充上下文解释和必要的背景说明，希望有所助益。今后也将不定期推出深度版，特此说明。