AI 每天都在变，
这里一页看完

OpenAI 发布 o3 和 o4-mini 模型

OpenAI 发布 o3 和 o4-mini 两款模型，称其为迄今最智能、能力最强的模型，并支持完整的工具调用。

推荐理由：官方宣布 o3 与 o4-mini 两款模型上线，主打完整工具调用能力，读者可据此关注其推理与 Agent 场景表现。

Prime Intellect 发布 INTELLECT-2：32B 参数模型的全球去中心化强化学习训练

Prime Intellect 发布 INTELLECT-2，称其为首个 32B 参数模型的全球无许可去中心化强化学习训练，任何人可贡献异构算力。

推荐理由：官方完整公开了异步 RL 去中心化训练的框架、验证机制与数据过滤细节，读者可以照此评估和复用整套开源组件。

OpenAI 在 API 中发布 GPT-4.1 系列模型

OpenAI 在 API 中发布 GPT-4.1 系列模型，带来编码、指令遵循和长上下文理解方面的全面提升，并同时推出其首个 nano 模型，即日起向全球开发者开放。

推荐理由：官方宣布 API 上线 GPT-4.1 系列并首次推出 nano 模型，读者可据此了解编码与长上下文等能力的更新方向。

Hugging Face 欢迎 Llama 4 Maverick 与 Llama 4 Scout 上线

Hugging Face 发布博客，宣布 Llama 4 Maverick 与 Llama 4 Scout 上线 Hugging Face 平台。正文抓取失败，仅有标题可用，更多细节见原文链接 https://huggingface.co/blog/llama4-release。

DeepSeek-V3-0324 发布：推理、代码与中文写作能力全面升级

DeepSeek 发布小版本升级 DeepSeek-V3-0324，在数学、代码类评测集上得分超过 GPT-4.5，并增强了前端代码生成、中文写作与联网搜索能力。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。权重已开源，采用 MIT License，允许蒸馏训练其他模型。

推荐理由：推理能力提升至超越 GPT-4.5 的同时保持 MIT 开源许可，让低成本部署强推理模型的门槛进一步降低。

DeepSeek-V3 模型更新，各项能力全面进阶

DeepSeek-V3 新版已发布，关闭深度思考模式即可体验，模型权重同步开源。

推荐理由：DeepSeek-V3 发布时是开源模型的有力竞争者，但这条一年多前的旧闻如今毫无新意，对关注 AI 动态的你来说，可以直接跳过。

OpenAI 补充 GPT-4o 系统卡，介绍 4o 图像生成能力

OpenAI 发布 GPT-4o 系统卡附录，介绍 4o image generation 图像生成能力。官方称其比此前的 DALL·E 3 系列模型能力显著更强，可生成照片级真实感输出，并支持以图像作为输入进行变换。

推荐理由：官方说明指出 4o 图像生成比 DALL·E 3 系列能力更强，读者可借此了解其照片级输出与图像输入变换的新方向。

DeepSeek 将 deepseek-chat 升级为 DeepSeek-V3-0324

DeepSeek 将 deepseek-chat 模型升级为 DeepSeek-V3-0324，推理能力增强，MMLU-Pro 升至 81.2，AIME 升至 59.4。同时优化了 Web 前端开发、中文写作（对齐 R1 风格）、中文搜索及 Function Calling 准确率，并修复了此前问题。

推荐理由：这是 DeepSeek V3 发布后的一次重要版本更新，推理和代码能力提升显著，AIME 提升近 20 分，前端和中文写作体验优化，API 用户应该尽快切换。

Mistral 发布 Mistral Small 3.1，Apache 2.0 开源并支持 128k 上下文

Mistral AI 发布 Mistral Small 3.1，称其在同类权重模型中优于 Gemma 3 和 GPT-4o Mini，推理速度达 150 tokens 每秒，上下文窗口扩展至 128k tokens，并以 Apache 2.0 许可证开源。

推荐理由：官方公告给出具体基准对比、部署门槛和开放下载渠道，读者可据此评估它能否替代现有小型私有模型。

Google 发布全新多模态、多语言、长上下文开源大模型 Gemma 3

Google 在 Hugging Face 博客上发布全新开源大模型 Gemma 3，主打多模态、多语言和长上下文能力。

OpenAI 发布 GPT-4.5 研究预览

OpenAI 发布 GPT-4.5 的研究预览版，称其为迄今最大、知识最广的模型。消息来自官方系统卡，正文未提供更多能力细节或可用性信息。

推荐理由：OpenAI 官方系统卡确认 GPT-4.5 以研究预览形式发布，并定位为其迄今最大、知识最广的模型。

Zyphra 发布 Zonos-v0.1 beta 开源 TTS 模型

Zyphra 以 Apache 2.0 许可发布 Zonos-v0.1 beta，包含 1.6B transformer 与 1.6B SSM hybrid 两个实时 TTS 模型，后者是首个开源 TTS SSM 模型。

推荐理由：官方发布了模型权重、API 定价和架构细节，读者可以据此评估开源 TTS 与专有模型的差距与可用性。

Mistral 发布 24B 开源模型 Mistral Small 3，Apache 2.0 协议下性能对标 Llama 3.3 70B

Mistral 发布 24B 参数的 Mistral Small 3，以 Apache 2.0 协议开放预训练和指令微调两种权重。官方称其在 MMLU 上超 81% 准确率、延迟 150 tokens/s，与 Llama 3.3 70B instruct 相当且同硬件快 3 倍以上，量化后可在单张 RTX 4090 或 32GB 内存的 Mac 上本地运行。

推荐理由：官方完整说明了模型规格、性能数字和开放部署渠道，读者可据此评估本地部署与开源基座的可行性。

FireRedTeam 开源 FireRedASR 工业级语音识别模型，含 AED 与 LLM 两个变体

FireRedTeam 开源工业级 ASR 模型 FireRedASR，支持普通话、中文方言和英文，在公开普通话 ASR 基准上取得 SOTA，并具备歌词识别能力。

推荐理由：原文给出两个模型变体的架构差异和公开基准 CER/WER 对比数字，读者可据此评估选型。

DeepSeek-R1 发布，性能对标 OpenAI o1 正式版

DeepSeek-R1 发布，性能对标 OpenAI o1 正式版。模型遵循 MIT License 开放 API，训练技术同步公开。

推荐理由：虽已是旧闻，但 DeepSeek-R1 作为首个开源对齐 o1 的模型，其训练技术至今仍有参考价值，做推理方向的值得回溯。

DeepSeek 发布 deepseek-reasoner 推理模型

DeepSeek 推出新模型 DeepSeek-R1，可通过指定 model=deepseek-reasoner 调用。该模型为推理模型，详细更新与调用指南已分别发布。

推荐理由：R1 的 API 开放让开发者能直接调用推理能力，对需要深度思考的应用是个关键接入点，成本比同类更低。

Mistral AI 发布 Codestral 25.01，代码生成速度提升约 2 倍

Mistral AI 发布 Codestral 25.01，采用更高效的架构和改进的 tokenizer，代码生成与补全速度较原版提升约 2 倍。

推荐理由：官方给出与同类模型的多项基准对比和可用渠道，读者可以据此评估它在代码补全工作流中的替换价值。

DeepSeek-V3 正式发布

深度求索正式发布 DeepSeek-V3 模型，性能比肩世界顶尖模型，速度跃升，价格更新。

推荐理由：DeepSeek-V3 是 2024 年底国产模型的一次真正跃迁，首次亮剑就逼近闭源顶尖，开源权重更是直接改变了开发者生态。时隔一年半回头看，它仍是理解 DeepSeek 路径的起点。

Answer.AI 发布 ModernBERT：替代 BERT 的新一代编码器模型

Answer.AI 与 LightOn 联合发布 ModernBERT，这是一系列旨在取代 BERT 的 SOTA 编码器模型。该模型将 LLM 的最新架构改进（如 Flash Attention、RoPE）应用于编码器，支持 8192 token 上下文长度（远超传统 BERT 的 512），并在速度和下游任务性能上全面超越旧一代模型。提供 base (149M) 和 large (395M) 两种参数规模，已集成至 Hugging Face Transformers v4.48.0，可直接作为 BERT 类模型的即插即用替代品，适用于 RAG、分类及代码检索等场景。

推荐理由：这是六年来首个真正意义上对 BERT 架构的重大升级，解决了长上下文限制并提升了效率，对依赖编码器的 RAG 和搜索系统开发者具有直接的生产力价值。

Answer.AI 与 LightOn 发布 ModernBERT 编码器模型，支持 8192 序列长度并全面超越 BERT

Answer.AI 与 LightOn 发布 ModernBERT 编码器模型系列，提供 base（149M 参数）和 large（395M 参数）两个规格，可作为 BERT 类模型的直接替代。

推荐理由：原文详细披露了架构改进、训练数据和实测效率数字，读者可据此评估它在现有 BERT 类工作流中能否直接替换。