跳到正文

#多模态

今日 1 条

8月25日星期二

OpenAI News

OpenAI 封禁了一批俄罗斯账号,它们伪装成以色列智库搞舆论渗透

OpenAI 封掉了一批来自俄罗斯的 ChatGPT 账号。这些账号在幕后操纵一个叫“国际伯克研究所(IBI)”的假智库,网站自称设在以色列,实际上文章是从正经学术作品里抄来、篡改署名,再用机器翻译成英文的。操作者用俄语给模型下指令,让它生成英文的社交媒体帖子和评论,还特意要求模型藏好俄语痕迹。他们搞了一个“主权指数”,排名上捧俄罗斯、踩西方国家。

推荐理由:OpenAI 披露封禁一批俄罗斯账号,这些账号用俄语指令让模型生成英文帖子和评论,运营一个自称设在以色列的假智库并推出捧俄贬西的主权指数排名。

8月21日星期五

DeepSeek · API 更新日志

DeepSeek-V4-Flash-Vision-Exp 发布并上线 API 平台

DeepSeek 今天发布实验性质的多模态视觉理解模型 DeepSeek-V4-Flash-Vision-Exp,用户可在 DeepSeek API 平台设置 model='deepseek-v4-flash-vision-exp' 访问。

推荐理由:DeepSeek 的视觉实验模型在官方测评中保持正式版的纯文本能力,视觉智能体能力提升至接近 Opus-4.8。

8月12日星期三

Google DeepMind

Google DeepMind 发布 SL2T 手语转文本模型,率先落地 Pixel 11 的 Gboard 与 Live Transcribe

Google DeepMind 发布多语言手语转文本模型 SL2T,首次将手语 AI 带入消费级产品,在 Pixel 11 的 Gboard 和 Live Transcribe 中支持美国手语(ASL)转英文听写,后续将扩展更多设备与语言。

推荐理由:Google DeepMind 将多语言手语转文本模型 SL2T 装进 Pixel 11 的 Gboard 与 Live Transcribe,支持美国手语转英文听写,手语 AI 从实验室走到消费级产品。

7月21日星期二

Google DeepMind

Google DeepMind 发布 Gemini 3.6 Flash、3.5 Flash-Lite 与 3.5 Flash Cyber

Google DeepMind 发布 Gemini 3.6 Flash、3.5 Flash-Lite 和面向安全的 3.5 Flash Cyber 三款新模型。

推荐理由:Gemini 3.6 Flash 相比 3.5 Flash 输出 token 用量减少 17%,每百万输出 token 定价 7.50 美元,同时多项基准成绩提升。

6月10日星期三

OpenAI News

OpenAI 封禁了一批疑似来自中国的 ChatGPT 账号,理由是它们在美国的 AI 政策讨论里搞隐蔽舆论操作

OpenAI 在 6 月 10 号发了份威胁报告,封了两组大概率来自中国的 ChatGPT 账号。一组叫“数据中心顺风车”,专门生成“AI 数据中心推高居民电费”的帖子和图片;另一组叫“科技与关税”,一边骂美国关税是打压科技竞争的手段,一边在提示词里要求只提特朗普、不提习近平。

推荐理由:OpenAI 在威胁报告里披露两组疑似来自中国的账号,分别围绕数据中心电费和科技关税生成帖文,为观察 AI 政策讨论中的隐蔽舆论操作提供了具体案例。

6月1日星期一

OpenAI News

OpenAI 封禁一批疑似来自中国的账号,这些账号用 ChatGPT 生成评论和漫画,干预美国科技政策与关税讨论

OpenAI 在 2026 年 6 月的威胁报告里披露,他们封掉了一批 ChatGPT 账号,这些账号很可能来自中国。操作者用简体中文写提示词、挂 VPN,让模型批量生成英文短评和政治漫画,主要攻击美国的关税、稀土、AI 和 5G 政策,并明确要求漫画里只能出现特朗普,不能出现中国或习近平。

推荐理由:OpenAI 在威胁报告中披露封禁一批疑似来自中国的账号,这些账号用简体中文提示词批量生成英文评论和漫画,定向介入美国关税与科技政策讨论。

5月28日星期四

NVIDIA 博客

NVIDIA 在 ICRA 发了 8 篇论文,核心是让机器人在仿真里练完直接去现实世界干活

NVIDIA Research 在 ICRA 上展示了 8 篇论文,都围绕一个思路:在仿真里训练机器人,然后直接部署到真实环境。ScheduleStream 让多机械臂并行规划,速度提升 3 倍,代码已开源。COMPASS 导航框架完全不靠真实数据,在仿真里训练后迁移到真机,20 次真实导航测试成功率约 80%,比纯模仿学习基线高了 4.5 倍。

推荐理由:NVIDIA Research 在 ICRA 发布 8 篇论文,其中 COMPASS 导航框架不依赖真实数据,仿真训练后迁移到真机,20 次测试成功率约 80%,为纯模仿学习基线的 4.5 倍。

5月26日星期二

阿里技术 · 公众号

南大和阿里发现 DiT 里的残差流拖慢收敛,改用跨层路由后训练快了近 9 倍

南京大学 LAMDA 组和阿里智能引擎团队提出了一种叫 DAR 的方法,把 DiT 模型里固定的残差累积,换成了按时间步动态选择路径的跨层路由。在 ImageNet 256×256 上拿 SiT-XL/2 试,FID 从 9.67 降到了 7.56,而且只用原来大约九分之一的训练步数就达到了同等收敛质量。

推荐理由:南大 LAMDA 与阿里团队把 DiT 固定的残差累积换成按时间步动态选路的跨层路由,在 ImageNet 上以约九分之一训练步数达到同等收敛质量。

5月18日星期一

Google DeepMind

Google DeepMind 发布 Gemini Omni Flash 视频生成模型

Google DeepMind 发布 Gemini Omni 家族首个模型 Gemini Omni Flash,可组合图像、音频、视频和文本输入生成高质量视频,并通过自然语言多轮编辑。

推荐理由:Gemini Omni Flash 把图像、音频、视频和文本组合输入与多轮对话式编辑放进同一模型,并接入 Gemini 应用、Flow 和 YouTube Shorts。

5月17日星期日

Google DeepMind

Google 在 Search、Gemini、Chrome 和 Pixel 扩展内容溯源与验证工具

Google 宣布在 Search、Gemini、Chrome、Pixel 和 Cloud 扩展内容透明度与验证工具,并深化行业合作。SynthID 已为超过 1000 亿张图片和视频、60000 年音频嵌入水印,Gemini 应用中的 SynthID 验证已被使用 5000 万次,该能力今日扩展到 Search、未来几周进入 Chrome。

推荐理由:Google 将 SynthID 验证从 Gemini 扩展到 Search 和 Chrome,并新增 C2PA 凭证核验,覆盖范围由此延伸到搜索、浏览器与手机拍摄环节。

5月16日星期六

Google DeepMind

Google DeepMind 发布 Gemini 3.5 Flash

Google DeepMind 发布 Gemini 3.5 模型家族,首款 Gemini 3.5 Flash 当日上线 Gemini 应用、Google Search AI Mode、Google Antigravity、Gemini API 及 Gemini Enterprise。

推荐理由:Gemini 3.5 Flash 在编码与智能体基准上超过 Gemini 3.1 Pro,输出速度是其他前沿模型的 4 倍,发布当日即接入 Gemini 应用、搜索 AI Mode 和 Gemini API。

4月30日星期四

Google DeepMind

Google DeepMind 发布 AI co-clinician 医疗研究计划

Google DeepMind 宣布 AI co-clinician 研究计划,探索 AI 智能体在医生临床监督下协助患者诊疗。在 98 个真实初级保健查询的盲评中,该系统 97 例无关键错误,医生更偏好其回答而非主流证据综合工具;在 140 项问诊技能评估中,它在 68 项达到或超过初级保健医生水平,但专家医生在识别危险信号和关键体格检查上整体仍更优。

推荐理由:Google DeepMind 公布 AI co-clinician 研究计划,在 98 个真实初级保健查询的盲评中 97 例无关键错误,医生更偏好其回答而非主流证据综合工具。

4月29日星期三

NVIDIA 博客

英伟达发布 Nemotron 3 Nano Omni:一个模型同时看懂图文、听懂语音,做 AI 代理时吞吐量号称是同类 9 倍

英伟达在 2026 年 4 月 28 日开源了 Nemotron 3 Nano Omni,一个能同时处理文字、图片、音频、视频、文档、图表和屏幕界面的多模态模型。它用了 30B-A3B 的混合专家架构(MoE),实际激活的参数量是 3B,配合 Conv3D 和 EVS 技术来处理音视频,上下文窗口拉到 256K。

推荐理由:英伟达开源 Nemotron 3 Nano Omni,一个模型同时处理图文音视频,激活参数 3B、上下文 256K,为想搭多模态 agent 的团队提供了一条开源路径。

4月22日星期三

X · @OpenAI

OpenAI 发了 ChatGPT Images 2.0,说画图更准、能直接拿来用

OpenAI 在 X 上官宣了 ChatGPT Images 2.0,定位是能处理复杂视觉任务、出图直接可用的图像模型。帖子提到三点升级:编辑更精细、版式更丰富,以及加入了“思考级智能”,但没解释这具体指什么能力。视频演示看起来效果不错,不过正文没披露模型规模、定价、延迟和推送范围,我会先打个折——等看到实测和成本再说。

推荐理由:OpenAI 发布 ChatGPT Images 2.0,称编辑更精细、版式更丰富并加入思考级智能,但未说明模型规模、定价与推送范围,适合先了解官方给出的升级方向。

4月21日星期二

OpenAI News

OpenAI 发了 ChatGPT Images 2.0,主打文字渲染、多语言和视觉推理

OpenAI 在 4 月 21 日官宣了 ChatGPT Images 2.0,说新模型在三个地方有提升:画面里的文字更准、多语言排版更稳、能根据复杂指令做视觉推理。官方放了一堆样图,从海报、漫画到杂志内页都有,看着确实比上一代强。但正文没披露模型架构、出图分辨率、价格、延迟和具体上线时间,也没给对比数据。

推荐理由:OpenAI 发布 ChatGPT Images 2.0,官方称在画面文字准确性、多语言排版和复杂指令的视觉推理三方面有提升,并放出海报、漫画、杂志内页等样图。

4月17日星期五

X · @claudeai

Anthropic 实验室推出 Claude Design,用对话就能生成原型、幻灯片和单页文档

Claude Design 是 Anthropic 实验室放出的研究预览功能,Pro、Max、Team 和 Enterprise 用户今天开始陆续能用。它跑在 Claude Opus 4.7 上,官方说这是他们目前最强的视觉模型。用法很简单:你跟 Claude 聊需求,它直接出原型、幻灯片或单页文档。正文没提价格、输出限制和详细推送时间表。

推荐理由:Anthropic 实验室面向 Pro、Max、Team 和 Enterprise 用户放出 Claude Design 研究预览,对话即可生成原型、幻灯片和单页文档,由 Opus 4.7 驱动。

4月3日星期五

Google DeepMind

Google DeepMind 发布 Gemma 4 开源模型家族

Google DeepMind 发布 Gemma 4,称其为迄今最智能的开源模型,面向高级推理与智能体工作流,采用 Apache 2.0 许可。该系列包含 E2B、E4B、26B MoE 和 31B Dense 四种尺寸,31B 在 Arena AI 文本榜位列全球开源模型第 3,26B 位列第 6。

推荐理由:Gemma 4 以 Apache 2.0 许可开源四种尺寸,31B 在 Arena AI 文本榜排开源模型第 3,26B 排第 6,为开发者选择开源模型的部署与微调方案提供参照。

3月24日星期二

Mistral AI

Mistral AI 发布 4B 参数语音合成模型 Voxtral TTS

Mistral AI 发布首个文本转语音模型 Voxtral TTS,4B 参数,支持英语、法语、德语、西班牙语、荷兰语、葡萄牙语、意大利语、印地语和阿拉伯语 9 种语言,具备情感表达与零样本跨语言音色适配能力。

推荐理由:Mistral AI 推出 4B 参数语音合成模型 Voxtral TTS,覆盖 9 种语言并支持零样本跨语言音色适配,其与 ElevenLabs 的对比评测提供了多语言语音质量的一个参照。

3月17日星期二

OpenAI News

OpenAI 发了 GPT-5.4 mini 和 nano,主打编程和子任务,mini 跑得比 GPT-5 mini 快一倍多

OpenAI 在 3 月 17 号推出了 GPT-5.4 mini 和 nano,都是给高吞吐、低延迟场景用的轻量模型。mini 在编程、推理、看图、调工具上都比上一代 GPT-5 mini 强,速度还快了一倍多。

推荐理由:OpenAI 发布面向高吞吐低延迟场景的 GPT-5.4 mini 和 nano,mini 在编程、推理、看图、调工具上均强于上一代,速度提升一倍多。

Mistral AI

Mistral 发布 Mistral Small 4,统一推理、多模态与编码能力

Mistral AI 发布 Mistral Small 4,这是首个把 Magistral 推理、Pixtral 多模态和 Devstral 编码智能体能力统一到单一模型的 Mistral 模型,采用 Apache 2.0 许可。

推荐理由:Mistral Small 4 把推理、多模态与编码能力合并进单一开源模型,并给出相比 Mistral Small 3 的延迟与吞吐数据,可用于判断统一模型对部署成本的影响。

2月13日星期五

OpenAI News

OpenAI 给 Codex 和 Sora 换了一套“先用额度,超了再扣钱”的访问系统

OpenAI 发了一篇工程博文,解释他们怎么解决 Codex 和 Sora 用户老撞速率限制的问题。核心做法是自研了一套实时访问引擎,把速率限制和预购点数揉在一起:请求先走免费速率额度,额度用完了自动从点数余额里扣,用户不用切换系统。

推荐理由:OpenAI 在工程博文中说明 Codex 和 Sora 如何把速率限制与预购点数合并成一套访问系统,请求先用免费速率额度,用完后自动从点数余额扣除。

1月6日星期二

NVIDIA 博客

NVIDIA 用 RTX 显卡在本地跑 4K AI 视频生成,显存占用降了 60%

NVIDIA 在 CES 上放出了一套本地 AI 视频生成方案,核心是开源模型 LTX-2 和升级版 ComfyUI。在 GeForce RTX 显卡上,生成速度比之前快 3 倍,显存占用最多能降 60%。这主要靠 PyTorch-CUDA 的底层优化,以及 ComfyUI 原生支持了 NVFP4/FP8 低精度计算。

推荐理由:NVIDIA 在 CES 发布本地 AI 视频生成方案,靠 PyTorch-CUDA 优化和 ComfyUI 支持低精度计算,在 RTX 显卡上把生成速度提升 3 倍、显存占用最多降低 60%。

NVIDIA 博客

NVIDIA 一口气开源了一堆模型、数据和工具,覆盖智能体、机器人、自动驾驶和生物医药

NVIDIA 在 2026 年 1 月 5 日放出了一批新的开源模型和数据集。语言模型方面,有 Nemotron 系列的新成员,专门做语音、外挂资料库(RAG)和安全对齐;还有一个叫 Alpamayo 1 的模型,正文没具体说它擅长什么。

推荐理由:NVIDIA 一次性开源覆盖智能体、机器人、自动驾驶和生物医药的模型、数据集与工具,其中 Nemotron 新成员分别面向语音、RAG 和安全对齐。

2025年12月17日星期三

Mistral AI

Mistral 发布 OCR 3,表单与手写识别升级并接入 Document AI Playground

Mistral 发布 Mistral OCR 3,在表单、扫描文档、复杂表格和手写内容上相对 Mistral OCR 2 取得 74% 的整体胜率,并称准确率超过企业文档处理方案和 AI 原生 OCR 方案。

推荐理由:Mistral OCR 3 在表单、手写和复杂表格上的升级与每千页 2 美元的定价,可供评估文档解析方案时参考。

2025年12月16日星期二

OpenAI News

OpenAI 发了新版 ChatGPT 图片生成,说是更快、编辑更听话

OpenAI 在 12 月 16 日上线了新版 ChatGPT 图片功能,底层换了一个新的主力生图模型,API 里叫 GPT Image 1.5。官方说生成速度比之前快 4 倍,编辑图片时能更精准地只改你要求的部分,保留原图的光线、构图和人脸一致性。这次还加了一个独立的图片创作入口,内置了一些预设风格,不用写提示词也能玩。

推荐理由:OpenAI 上线新版 ChatGPT 图片功能,官方称生成速度提升 4 倍,编辑时能更精准地只改指定部分并保留原图光线、构图与人脸一致性。

2025年12月11日星期四

OpenAI News

迪士尼和 OpenAI 签了三年协议,要把 200 多个角色放进 Sora 和 ChatGPT 图片生成里

OpenAI 官方发了一篇公告,宣布迪士尼成为 Sora 的第一个大型内容授权方。协议为期三年,Sora 和 ChatGPT 图片生成功能会拿到超过 200 个迪士尼、漫威、皮克斯和星球大战的角色授权,包括米奇、艾莎、钢铁侠、尤达等,但不含真人演员的脸或声音。用户可以用这些角色生成短视频和图片,部分视频还会被选进 Disney+ 里播放。

推荐理由:迪士尼与 OpenAI 签下三年授权协议,Sora 和 ChatGPT 图片生成将接入超过 200 个迪士尼、漫威、皮克斯和星球大战角色,用户可据此生成短视频和图片。

2025年12月3日星期三

Mistral AI

Mistral 发布 Mistral 3 系列模型,含 675B 参数 Mistral Large 3

Mistral AI 发布 Mistral 3 系列,包括 14B、8B、3B 三个稠密模型和采用稀疏 MoE 架构的 Mistral Large 3,后者为 41B 激活、675B 总参数,全部以 Apache 2.0 许可开源。

推荐理由:Mistral 以 Apache 2.0 开源 Mistral 3 系列,含 3B 到 14B 稠密模型与 675B 总参数的稀疏 MoE 大模型,覆盖端侧到前沿规模。

2025年10月21日星期二

Hugging Face 博客

Hugging Face 的 AI Sheets 现在能直接处理图片了

AI Sheets 是一个开源表格工具,之前只能处理文字,现在加入了视觉能力。你可以把图片(比如收据、文档、产品图)直接拖进表格,用自然语言让模型帮你提取里面的信息、生成描述、甚至编辑图片。它背后调用的是 Inference Providers 上的几千个开源模型。你在表格里手动改错、点“赞”的操作,会被当成少样本示例来优化后续结果。

推荐理由:Hugging Face 为开源表格工具 AI Sheets 加入视觉能力,可拖入收据、文档、产品图并用自然语言提取信息、生成描述或编辑图片,表格里的人工修正会作为少样本示例优化后续结果。

2025年9月30日星期二

OpenAI News

OpenAI 发布 Sora 2 系统卡,视频生成模型能同时出画面和声音了

OpenAI 在 9 月 30 日公布了 Sora 2 的系统卡,说这个新模型在物理规律、画面真实度、音画同步和风格控制上都比上一代强,能更准地跟着用户的指令走。这次发布先走邀请制,在 sora.com 和独立的 iOS App 上小范围开放。安全方面,上线初期禁止上传视频,也禁止上传带真人照片的图片,对涉及未成年人的内容有更严的审核门槛。

推荐理由:OpenAI 公布 Sora 2 系统卡,新模型在物理规律、画面真实度和音画同步上较上一代有提升,并交代了邀请制上线与初期禁止上传真人素材的限制。

OpenAI News

OpenAI 发布 Sora 2,能生成带同步对白和音效的视频,还做了一个社交 App

OpenAI 在 9 月 30 日发布了视频生成模型 Sora 2,同时上线了一个叫 Sora 的 iOS 社交 App。Sora 2 比上一代更遵守物理规律,比如投篮不进会弹框而不是球直接瞬移进筐,也能生成同步的人物对白和环境音效。App 里有个“角色”功能,你录一段视频和音频验证身份后,就能把自己的形象和声音放进任何生成的场景里。

推荐理由:OpenAI 同日发布视频模型 Sora 2 与同名 iOS 社交应用,模型可生成同步对白与环境音效,App 支持验证身份后把本人形象和声音放进生成场景。

2025年9月29日星期一

OpenAI News

OpenAI 给 ChatGPT 加了家长控制,能管孩子用 AI 的时间和功能

OpenAI 在 9 月 29 日上线了家长控制功能,所有 ChatGPT 用户都能用。家长把自己的账号和孩子的绑定后,就能在自己的账号里管理孩子的使用设置。绑定后的青少年账号默认会加强内容过滤,减少暴力、色情角色扮演和极端审美之类的内容。家长还可以单独设置禁用时段、关掉语音模式、关掉记忆功能、禁止图片生成,以及拒绝把孩子的对话拿去训练模型。

推荐理由:OpenAI 向所有 ChatGPT 用户开放家长控制,家长绑定孩子账号后可设置禁用时段、关闭语音与记忆、禁止图片生成,并默认加强青少年账号的内容过滤。

OpenAI News

OpenAI 公开了它怎么拦截用 AI 生成或上传儿童性虐待内容

OpenAI 在 2025 年 9 月 29 日发了一篇安全说明,讲他们怎么防止自家模型被用来制作或传播儿童性虐待材料(CSAM/CSEM)。规则上,任何涉及未成年人的色情内容都禁止,一旦发现生成或上传这类内容,账号直接封禁并上报给美国失踪与受虐儿童中心(NCMEC)。

推荐理由:OpenAI 说明其如何拦截模型生成或用户上传的儿童性虐待内容,包括哈希匹配、Thorn 分类器与跨模态扫描,并披露已观察到用户上传违规材料并要求模型描述细节的滥用模式。

2025年8月6日星期三

OpenAI News

OpenAI 用 1 美元把 ChatGPT Enterprise 卖给整个美国联邦政府,为期一年

OpenAI 和美国总务管理局(GSA)谈成了一笔象征性收费的买卖:接下来一年,联邦行政分支的机构只要付 1 美元,就能给全员开通 ChatGPT Enterprise。另外还白送 60 天不限量使用高级功能,包括 Deep Research(深度研究)和 Advanced Voice Mode(高级语音模式)。联邦业务数据不会被拿去训练模型。

推荐理由:OpenAI 与美国总务管理局达成协议,联邦行政分支机构一年内只需付 1 美元即可为全员开通 ChatGPT Enterprise,并附赠 60 天高级功能不限量使用。

2025年7月17日星期四

Mistral AI

Mistral 为 Le Chat 推出 Deep Research、语音模式等新功能

Mistral 为 Le Chat 上线一批新功能,包括预览版 Deep Research 模式、由新语音模型 Voxtral 驱动的语音模式、由推理模型 Magistral 支持的多语言思考模式、用于整理对话的 Projects,以及与 Black Forest Labs 合作的高级图像编辑。

推荐理由:Mistral 为 Le Chat 一次上线 Deep Research、语音、多语言推理、Projects 与图像编辑五项功能,其中 Deep Research 由工具增强智能体驱动,可拆解问题并生成带引用的结构化报告。

2025年6月1日星期日

OpenAI News

OpenAI 封禁一批中国账号,用 ChatGPT 生成美国对立内容但几乎没人看

OpenAI 根据 Meta 的线索,封掉了一批来自中国的 ChatGPT 账号,内部代号叫“Uncle Spam”。这些账号主要干三件事:一是生成支持和反对关税的帖子,在 X 和 Bluesky 上同时发,故意挑动对立情绪;二是用 AI 生成“退伍军人”之类的假头像,冒充美国老兵批评现任政府。

推荐理由:OpenAI 依据 Meta 提供的线索封禁了一批来自中国的 ChatGPT 账号,这些账号用 AI 生成正反两面的关税帖文并伪造退伍军人头像,在 X 和 Bluesky 上制造美国舆论对立。

2025年5月8日星期四

OpenAI News

OpenAI 在亚洲四国上线数据本地存储,但没提推理环节是否也留在本地

OpenAI 宣布在日本、印度、新加坡和韩国为 ChatGPT 企业版、教育版和 API 平台提供数据本地存储。企业可以把聊天记录、上传文件和图片等数据存在当地,满足数据主权要求。API 客户需要新建项目并选择国家,企业版和教育版则是在创建新工作区时设置。官方列了加密标准(AES-256 和 TLS 1.2+)、默认不用客户数据训练模型等安全措施。

推荐理由:OpenAI 在日本、印度、新加坡和韩国为 ChatGPT 企业版、教育版及 API 提供数据本地存储,企业可将聊天记录、上传文件和图片留在当地,满足数据主权要求。

2025年5月7日星期三

Mistral AI

Mistral AI 发布 Mistral Medium 3,主打低成本与企业部署

Mistral AI 发布 Mistral Medium 3,称其在各项基准上达到或超过 Claude Sonnet 3.7 的 90%,成本为每百万 token 输入 $0.4、输出 $2。

推荐理由:Mistral Medium 3 以更低成本对标 Claude Sonnet 3.7,并给出企业私有化部署与定制路径。

2025年4月23日星期三

OpenAI News

OpenAI 把 ChatGPT 里那个生图模型做成 API 了,叫 gpt-image-1

4 月 23 号,OpenAI 把 ChatGPT 里那个一周就帮 1.3 亿用户生了 7 亿张图的模型,包装成 gpt-image-1 放到了 API 里,让开发者可以直接在自己的工具里调用。

推荐理由:OpenAI 将 ChatGPT 中一周生成 7 亿张图的图像模型以 gpt-image-1 开放到 API,开发者可直接在自己的工具里调用。

2025年4月16日星期三

OpenAI News

OpenAI 发布 o3 和 o4-mini:推理模型学会自己调用工具了

OpenAI 在 4 月 16 日推出了 o3 和 o4-mini 两个新模型。o3 是目前最强的推理模型,在编程、数学和视觉任务上刷新了多项基准,外部专家评估其重大错误比 o1 少了 20%。

推荐理由:OpenAI 发布 o3 和 o4-mini,将推理模型与工具调用结合,o3 在编程、数学和视觉任务上刷新多项基准,外部专家评估其重大错误比 o1 少 20%。

OpenAI News

OpenAI 的 o3 和 o4-mini 现在能直接在推理链里“想”图片了

OpenAI 在 4 月 16 日说,o3 和 o4-mini 这两个模型学会了一项新本事:它们不再只是“看”图片,而是能在内部推理时直接对图片做裁剪、缩放、旋转等操作,整个过程不依赖外挂的视觉模型。这意味着模型可以自己把倒过来的字转正再读,或者放大图片里的细节来找线索。

推荐理由:OpenAI 让 o3 和 o4-mini 在推理链内直接裁剪、缩放、旋转图片,不依赖外挂视觉模型,模型能自行转正倒置文字或放大细节找线索。