史上最卷12月：全球15家Top级AI公司疯狂上新

2024年的最后一个月，全球AI圈好像约好了，一起开启年底狂卷模式，批量发布新品。

据“四木相对论”统计，这场年末上新的“战局”，至少有15家全球Top级AI公司参与，上新了20+个功能。

在海外，最受关注的无疑是OpenAI开启12天大放送，期货Sora终于兑现。

差不多同期，Google、xAI、World Labs、Meta、Amazon、Pika、Runway等海外名企也都上新了AI功能。

国内的12月，大厂、六小虎和AI鲶鱼DeepSeek，无一不踏入战局。

“卷王”字节首当其冲。它在豆包和即梦中上新了图像理解能力。

六小虎中的MiniMax、阶跃星辰、智谱AI，有的卷模型，有的卷Agent应用。Deepseek和腾讯直接上新并开源了模型。

整体来看，各大公司近期的更新呈现以下特点：

• 视觉能力和生产力场景是两大主题；

• 80%以上的更新都围绕“视觉”；

• 可协作、可编辑是产品层更新的方向；

• 解析理解能力依旧是模型层的重点。

但卷归卷，不少产品也出于缺乏曝光等因素，发布得“悄无声息”。

还有些万众期待的产品，比如Sora，收获了满屏差评。

在这个轰轰烈烈的12月，目前你记住了谁？

海外：OpenAI挤牙膏，其他家无人care？

在这个12月，已经加入AI上新战局的海外公司至少有OpenAI、Google、xAI、Meta、Amazon、Pika……

“营销专家”OpenAI的声势最大。

12月6日，它拉开了“双十二”的阵仗，要连做十二场发布会。

目前日程已经进入到第七天，发布成果如下：

• Day1：发布o1正式版以及o1 Pro版本，以及200美金的ChatGPT Pro会员。

• Day2：介绍强化微调（Reinforcement Finetuning）功能，即通过少量数据让模型在专业领域到达专家水平。

• Day3：Sora登场，接入了新模型Sora Turbo的Sora，最高上限支持生成1080p、20秒视频，支持横屏竖屏各种常见尺寸。

• Day4：发布生产力工具Canvas，该功能允许用户与ChatGPT合作写作和编码。

• Day5：ChatGPT融入苹果生态。

• Day6：三个功能发布：实时视频通话、实时理解屏幕、圣诞老人限定语音。

• Day7：推出了Projects In ChatGPT功能，可以将ChatGPT的各种功能整合至一处，便于用户创建并管理各类项目。

  
  

不仅是OpenAI，Google、Pika、Midjourney、xAI也在这周有了新动作。

12月14日，Pika上新模型2.0，引入场景元素（Scene Ingredients）功能。

这一功能允许用户自由选择角色、物品、服装和场景元素，根据需求构建特点镜头。同时， Pika 2.0支持多人在同一画布上协作。

12月12日凌晨，谷歌发布了Gemini2.0，声称“Gemini2.0 是我们迄今为止最新、功能最强大的 AI 模型。”

这一模型可以支持图片、视频和音频等多模态的输入和输出，速度也是1.5Pro的两倍，还能直接调用Google Search、代码执行等工具。

在Gemini2.0架构之上，谷歌还推出或升级了三个新的AI Agent原型：通用大模型助手Project Astra、浏览器助手Project Mariner、编程助手Jules。

不过，Gemini2.0的声量相较于Sora小得多。

几乎在官宣之后不到半小时，Gemini 2.0词条的热度在Twitter上就已经掉到了第8。在不断下降的过程中，网友们还在分享Sora的鬼畜视频，以及Hunyuan、Hailuo、Kling与Sora的能力对比。

这可能也是因为Gemini 2.0的更新虽然好评很多，但从表述上看起来很“常规”：更快速的响应、支持联网搜索、新上线的“深度研究”功能支持多轮复杂推理、代码生成增强、第三方工具调用能力补充。

同一天，Midjourney官宣了patchwork功能更新。

这是一个允许多人在线共同创建出一个世界的实验性功能，所有参与者将在一块白板画布上共同创作（有点像Canva和Figma的共同编辑）。

而且画布还给每个用户的世界创建了一个传送门，可以连接到别人的世界中。

之前Midjourney的更新基本都围绕着图片生成的能力，比如支持AI修图、支持新画风的模型等等。

但这次的Patchwork让MJ在玩法上有了大不同，从一个只能一个人用的图片生成工具，变成了一个可以让大家一起玩起来的AI艺术创作产品。

手握巨卡的xAI，同样在卷视觉方向。

12月10日，xAI发布了首款完全自研图像生成模型Aurora。

Aurora已经直接集成到了Grok中，这是一个自回归混合专家模型（MoE），在混合文本和图像数据集上完成了训练。除了图片生成，Grok还有编辑能力，用户可以直接在生成的图像上进行修改，这一功能也将上线X。

Meta也在12月7日发布了Llama 3.3，在性能上开卷。据说现在70B的版本就能实现以前405B的性能。

它在指令遵循（IFEval）、数学（MATH）、推理（GPQA Diamond）等领域的水平都超过了七月份发布的Llama 3.1 405B。在语言（MMLU）、代码（HumanEval）、长文本和多语种能力上，它的成绩也和Llama 3.1 405B比较接近。

官方将Llama 3.3的进步归功于新的对齐过程和在线强化学习技术的进步。

Runway则在前一天，也就是12月6日更新了自己的act-one功能。这个新功能允许用户将自己拍摄的表演动作或声音直接“套用”到已有的视频角色上（包括AI角色）。

在12月最早打响发布“竞赛”的其实是“AI教母”李飞飞。

12月3日，李飞飞创立的World Labs首次官宣了“空间智能”模型，利用一张图就能生成一个3D世界。

这些3D场景都能在浏览器中实时渲染，还能实现可控的相机效果，可调节的模拟景深。

也是在同一天，亚马逊对外发布了多模态模型Nova系列。

亚马逊这次直接发了一个大号全家桶，包括：超快速文本生成模型Amazon Nova Micro，能够处理文本、图像和视频并生成文本的多模态模型Amazon Nova Lite、Amazon Nova Pro和Amazon Nova Premier，用于生成高质量图像的Amazon Nova Canvas和用于生成高质量视频的Amazon Nova Reel。

不管这一波海外的年底上新如何轰轰烈烈，看起来，很多人只关注了Sora。

好吧，OpenAI的营销又赢了。

国内：六小虎大厂混战视觉

相比海外，国内厂商们的“卷”势更早出现。各家的方向从模型卷到产品，离不开视觉和生产力两个话题。

“四木相对论”也对近半个月的新品进行了汇总：

在大公司里，字节和腾讯是12月最卷的大厂（通义千问在11月28日发布了QWQ模型）。

在这个12月，前者在豆包和即梦上先后更新功能，后者一下子开源了视频生成模型。

先看字节。

12月10日，豆包官方表示，电脑版的视频生成功能已经开启内测。

获得内测资格的账号每日可免费生成十支视频。内测申请通过后，选择“视频生成”功能，上传一张图片，输入提示词，并添加运镜、分镜信息，就能生成短视频。

再往前的12月5日，豆包增加了AI生成文字图功能。也就是说，用户现在可以在提示词中加入文本要求，生成带有指定文字的图片，做海报、做表情包都能用。

（四木用豆包做的图，强调了“四木厨房”）

类似的功能还体现在即梦上。

12月2日晚，即梦上新2.1模型。这次的模型突破体现在中文文字可以稳定生成，当然也支持英文。

腾讯混元这个月最大的动作，就是正式上线视频生成能力。

12月3日，腾讯不仅上线了这个130亿参数的模型，还把它开源了。

目前，模型已上线腾讯元宝APP，用户可在AI应用中的“AI视频”板块申请试用。企业客户通过腾讯云提供服务接入，API同步开放内测申请。

“四木相对论”观察到，腾讯混元系列模型在这两个月动作比较频繁。

11月初，它宣布最新的MoE模型“混元Large”以及混元3D生成大模型“Hunyuan3D-1.0”正式开源。12月又上新文生视频能力，正式加入了卷视频模型的队列。

大厂之外，大模型六小虎中的三虎——智谱AI、MiniMax和阶跃星辰也在本月上新。

先来看智谱。

12月的智谱在模型和应用两端发力。首先是多模态模型——GLM-4V-Flash上线了智谱的开放平台，可以免费调用。

GLM-4V-Flash模型拥有图像描述生成、图像分类、视觉推理、视觉问答（VQA）以及图像情感分析等图像处理功能。

多模态/视觉类的API都非常贵，号称视觉能力对标GPT-4o mini模型的GLM-4V-FlashAPI免费，也称得上是真卷。

产品方面，Auto-GLM是智谱近期的重点。

首先智谱在11月29日发布了Auto-GLM的手机版和电脑版。半个月之后的12月12日，Auto-GLM又更新了一个版本。

用户打开AutoGLM后，可以通过语音发指令，让智能体接管自己的手机，并在可操作的App上自动执行购买外卖，订高铁票、目的地导航等任务。

经过“四木相对论”测试，更新之后，Auto-GLM支持的应用更稳定。同时它还增加了自定义高频短口令，快速触发常用任务等功能。

智谱CEO张鹏在发布会现场的AI发红包操作一度刷屏，“四木相对论”也复刻成功了。

Minimax同样在这个月卷起了多模态。

12月3日，海螺AI图生视频模型I2V-01-Live上线了。

视频生成一定是MiniMax今年的亮点之一。之前，MiniMax的亮点几乎全部集中于Talkie，但海螺视频的上线打破了这一印象。

这次的I2V-01-Live更新了二维插画的动态呈现方式，让动画稳定性和细腻表现力有了增强。一张图+一句话就能将2D插画转化为动态视频。

一直略显低调的另一只小虎阶跃星辰也有模型层的更新。

周五（12月13日）阶跃星辰发布了端到端语音大模型——Step-1o 。

从官方介绍来看，Step-1o 支持语音、文本等混合形式的输入和输出，能理解和模仿音色、韵律、方言、个性化的口语表达习惯等声音特征。它还能够通过自学和模仿不断提升回复质量，提供解决问题的专业建议。

从场景上看，它支持包括新闻播报、聊天陪伴、有声读物、在线教育、智能硬件、汽车等语音交互技术需求。

近期，Step-1o还将接入跃问App端，实现实时语音通话服务。

国内AI圈另一无法忽视的角色——DeepSeek，在短短半月内进行了两次上新。

最新开源的DeepSeek-VL2（12月13日发布）是一个专家混合（MoE）语言模型。

DeepSeek-VL2比一代DeepSeek-VL多一倍优质训练数据，引入梗图理解、视觉定位、视觉故事生成等新能力。视觉部分使用切图策略支持动态分辨率图像，语言部分采用MoE架构低成本高性能。

这次，大模型价格“卷王”更是在视觉模型上开“卷”。

根据DeepSeek提供的评测对比，DeepSeek-VL2在相似或更少的激活参数下实现了最先进的性能。

另外，DeepSeek V2.5系列的最终版微调模型——DeepSeek-V2.5-1210也在2月10日更新。

据官网介绍，这次更新通过Post-Training全面提升了模型各方面能力表现，包括数学、代码、写作、角色扮演等。同时，新版模型优化了文件上传功能，并且全新支持了联网搜索，可以服务各类工作生活场景。

不同于某些AI公司只强调功能或者模型的偏好，这次DeepSeekV2.5-1210模型更新后，它的Chat窗口呈现出两个Tag——“深度思考”和“联网搜索”。

这似乎在告诉外界：产品日常场景和模型推理能力我全都要。真的是卷王了。

12月才刚刚过半，接下来，AI圈的上新还会继续。

毕竟，OpenAI的年末发布刚刚走过一半。字节也会在下周举行大会，强调豆包、即梦的更新。

最卷12月，AI永不眠。

本文来自微信公众号：四木相对论，作者：Lax、Dreamy