AI巨头集体放大招！DeepSeek优化、豆包变强、ChatGPT画图不靠DALL·E、Gemini 2.5挑战GPT-5？

福大大架构师每日一题

发布于 2025-03-31 20:10:55

1550

近期AI领域重要动态

1. DeepSeek-V3升级发布：新版本 DeepSeek-V3-0324 上线，全面提升了推理能力、前端开发和中文写作，推理性能超过了 GPT-4.5。
2. 视觉推理模型发布：阿里巴巴的通义千问团队推出了 QVQ-Max 模型，具备细致观察、深入推理和灵活应用的核心能力。
3. 豆包新版深度思考推出：新版支持“边想边搜”的功能，使用户可以在思考的过程中多次调用工具和搜索信息，以提供更全面和准确的结果。
4. Manus收费方案公布：提供两种订阅方案，39 美元和 199 美元，分别对应 3900 积分和 19900 积分，并支持不同数量的并行任务。
5. 微信 AI 搜索功能更新：新增“快速思考”功能，依托腾讯自研混元 T1 模型，改善搜索体验。
6. OpenAI发布GPT-4o图像生成能力：新功能无需依赖DALL·E，可以直接生成高质量图像，文本渲染效果优异。
7. ChatGPT生图功能限流：由于需求激增，OpenAI暂时实施频率限制，以优化系统效率。
8. 版权争议涌现：ChatGPT生成吉卜力风格图像引发广泛讨论，涉及艺术风格模仿与版权保护的法律边界。
9. GPT-4o功能升级：优化了多指令解析、技术问题处理、逻辑推理和创造力，同时简化了交互界面。
10. ChatGPT语音模式更新：减少了不必要的打断并新增了暂停功能，付费用户可以选择9种风格化人声。
11. 谷歌发布Gemini 2.5 Pro：在LMArena评测中，该模型以领先 Grok-3 和 GPT-4.5 整整40分，创下历史最大分数飞跃。
12. Claude扩展上下文窗口：Claude 3.7 Sonnet计划将上下文窗口从20万扩展至50万 tokens。
13. Reve Image 1.0挑战行业巨头：新推出的AI文生图工具以其高质量和低成本特性挑战Midjourney，同时展现出色的文字渲染能力。

1. DeepSeek-V3 迎来重大升级，性能实现全面提升

3月25日，DeepSeek官方宣布其DeepSeek-V3模型完成了小版本升级，版本号更新为DeepSeek-V3-0324。用户可以通过官方网页、App或小程序访问对话界面，关闭“深度思考”功能以体验新版模型。API接口和使用方式保持不变。

此次升级在多个关键领域展现出了显著的提升：

1. 推理能力提升：新版V3模型借鉴了DeepSeek-R1模型中的强化学习技术，在数学和代码相关的评测集上表现超过了GPT-4.5，从而大幅增强了推理能力。
2. 前端开发能力增强：新版模型在生成HTML等前端代码方面提高了代码的可用性，所生成的视觉效果更为美观，设计感更强。
3. 中文写作优化：在中文写作任务中，新版模型针对中长篇文本的创作进行了优化，生成的文本在条理性和连贯性方面有了显著提高。

此外，DeepSeek-V3-0324与之前的V3版本使用了相同的基础模型，仅在后训练方法上进行了改进

2. 阿里推出新型视觉推理模型QVQ-Max

3月28日，阿里巴巴旗下的通义千问团队发布了其新一代视觉推理模型QVQ-Max。该模型采用了强大的多模态处理技术，能够全面理解和分析图片及视频内容，并与背景知识结合进行推理，提供有效的解决方案。无论是数学问题、日常生活挑战，还是编程任务和艺术创作，QVQ-Max都展现出了卓越的能力。

QVQ-Max的主要功能包括：

1. 细致观察：该模型具备对复杂图表和日常照片的详细解析能力，可以快速识别其中的关键元素，如物体和文字。
2. 深入推理：在识别内容的基础上，QVQ-Max能够进一步分析信息，结合背景知识得出推论。例如，可以在几何问题中通过图形推导出答案，或在视频中预测可能的发展情节。
3. 灵活应用：除了分析和推理，QVQ-Max还可以执行插画设计、生成短视频脚本等创作任务，甚至能够根据用户的需求定制角色扮演内容。

目前，用户可以通过Qwen Chat平台体验QVQ-Max的强大功能。只需要上传图片或视频并提出相关问题，便可以获得该模型的视觉推理结果。

3. 字节豆包的新版深度思考功能现已开启测试。

字节跳动旗下的人工智能助手豆包于3月28日宣布启动新版深度思考功能的测试。与之前的版本相比，新功能结合了推理过程的思维链和搜索深度，允许用户在思考的同时进行搜索。这样，豆包可以在思考过程中多次调用工具和查询信息，从而提供更全面和准确的结果。例如，在制定清明节旅游计划时，豆包经过多轮搜索，能够生成详尽的方案。

新版深度思考功能还可以帮助用户进行专业文章的写作。豆包能够深入检索信息，梳理复杂问题的逻辑关系，从而提高思考的深度。例如，在围绕小说《边城》的讨论中，豆包可以进行几轮搜索，深入挖掘创新的方向，为论文提供有价值的参考思路。

此外，当面对模糊搜索条件时，豆包可以尽可能多地获取相关结果，并交叉验证关键的信息，以精准锁定目标。例如，当用户仅提供某部老动画片的模糊关键词时，豆包能够通过相关细节的多轮搜索，最终确认该片为《超能勇士》。

此前，豆包已经在小范围内测试过深度思考模型的不同实验版本，所使用的推理模型为公司自主研发，并未整合其他模型。

4. Manus公布了其收费方案，提供两个价格选项：39美元和199美元

在3月28日，非公开测试中的AI Agent产品Manus公布了其收费方案，分为两个订阅类型：Manus Starter和Manus Pro。Manus Starter每月费用为39美元，用户可获得3900积分，并且最多可以同时执行2个任务。相较之下，Manus Pro每月收费199美元，用户可获得19900积分，支持同时执行最多5个任务，还具备高投入模式及其他测试功能。两种套餐的用户均可享受专属资源，从而提升稳定性、增加上下文长度，并在高峰期获得优先访问权。

Manus的积分系统用于计量任务的复杂程度和所需时间。例如，设计和部署一个个人网站这样复杂的任务需要消耗600积分，并预计持续约40分钟。目前，Manus仍在非公开测试中，普通用户需输入邀请码注册才能使用，此次收费计划面向持有邀请码的全球用户。

自推出以来，Manus备受关注，其邀请码在二手交易市场的售价一度飙升。同时，Manus已与阿里云的通义千问大语言模型达成合作，意在国产模型和计算平台上实现其功能。此外，有报道指出，Manus的开发公司蝴蝶效应正在与美国的风险投资机构洽谈新一轮融资，其目标估值预计至少为5亿美元。

5. 微信AI搜索推出了新的“快速思考”功能

近期，微信的AI搜索功能进行了更新，新增了“快速思考”选项，该选项由腾讯自研的混元T1模型提供支持。之前，微信AI搜索已经具备“快速回答”和“深度思考”功能，此次增加的“快速思考”旨在提升用户的搜索效率。

混元T1模型于3月22日正式发布，具有更快的响应速度和强化的长文本处理能力，能够确保输出清晰的逻辑和整洁的文本，同时幻觉率也极低。

此外，微信AI搜索的回复来源包括公众号文章及互联网的公开信息，页面底部还提供了继续提问和分享转发的功能，以便用户更加便捷地使用。

6. OpenAI推出了GPT-4o的原生图像生成功能

在3月26日的直播中，OpenAI宣布对其多模态模型GPT-4o的原生图像生成功能进行了重大升级。此次更新使得ChatGPT能够直接生成高质量图像，而无需依赖独立的DALL·E模型。

作为一款全能型模型，GPT-4o支持处理文本、图像和音频等多种输入和输出。通过与人类训练师的合作，OpenAI加强了对该模型的学习训练，显著提高了图像生成的准确性和实用性。用户现在可以通过自然语言描述，生成包含复杂细节和文本的图像，比如信息图表或海报设计等。

在直播演示中，OpenAI展示了GPT-4o的一系列新功能，包括：

1. 文本渲染：模型可以准确地在图像中呈现文字，适用于制作带有说明的图表或标注。
2. 多轮交互生成：用户可以与模型进行多轮对话，以逐步优化生成的图像，确保所有细节符合预期。
3. 指令遵循：模型能够准确理解并执行用户的具体指令，生成符合特定要求的图像。

目前，GPT-4o的图像生成功能已在ChatGPT中上线，向Plus、Pro、Team及免费用户开放。企业和教育用户将很快获得访问权限。需要注意的是，生成高质量图像需消耗较多的计算资源，因此渲染时间通常约为一分钟左右。

7. 由于ChatGPT的原生图像生成功能受到了极大的欢迎，OpenAI决定临时实施限流措施

近期，OpenAI推出的ChatGPT图像生成功能受到了用户的热烈追捧，导致GPU资源面临巨大压力。3月27日，OpenAI首席执行官山姆·奥特曼在社交平台X上表示，由于需求过于旺盛，公司的GPU资源几乎达到极限，因此将暂时对ChatGPT的图像生成功能实施频率限制，以提升系统的效率。

尽管奥特曼没有具体说明限制的标准，但他表示希望这一措施的持续时间不会太长。他提到，免费用户将很快被允许每天最多生成三张图像。此前，OpenAI推出了基于GPT-4o模型的图像生成工具，该工具在生成真实感图像和文字渲染方面取得了显著进步。

然而，由于用户使用频率激增，系统响应速度开始下降，部分用户反映生成单张图片的时间变长。为了解决GPU负载问题，OpenAI决定推迟向免费用户开放该功能的时间，并对现有用户采取临时的限流措施。

8. ChatGPT的新图像生成器引发了关于吉卜力风格的版权争议

OpenAI于3月26日推出了ChatGPT的新图像生成功能，用户可以生成具有吉卜力工作室风格的图像。这一功能迅速在社交媒体上掀起热潮，用户纷纷分享以吉卜力风格呈现的个人照片及知名场景。

然而，这一现象也引发了关于版权和道德的广泛讨论。吉卜力工作室以其独特的艺术风格而闻名，代表作品包括《龙猫》和《千与千寻》。一些法律专家指出，尽管特定作品受到版权保护，但对艺术风格的模仿并不一定受到这些法律的严格约束。然而，使用受版权保护的作品进行AI模型训练则可能涉及法律和伦理问题。OpenAI表示，其模型会拒绝生成特定在世艺术家的风格，但可以模拟更广泛的工作室风格。

值得一提的是，吉卜力工作室的联合创始人宫崎骏曾公开反对在创作领域应用AI，认为这可能对艺术创作造成负面影响。

9. OpenAI对GPT-4o进行了升级，付费用户将率先体验这一改进

OpenAI于3月28日发布公告，宣布对ChatGPT中的GPT-4o进行了功能升级，并已向所有付费用户开放该更新。预计未来几周内，免费用户也将获得相同的功能访问权。

此次升级集中在四个关键方面：

1. 多指令解析优化：显著增强了对含有多重需求的复杂指令的理解能力。
2. 技术问题处理提升：强化了对复杂技术和编程问题的解析能力及解决方案的生成。
3. 逻辑推理与创造力加强：增强了创新思维及跨领域知识结合的能力。
4. 交互界面简化：减少了表情符号的使用频率，以优化专业场景下的对话体验。

OpenAI表示，这些改进旨在提升用户的使用体验，并计划在接下来的几周内逐步向免费用户开放这些新功能。

10. OpenAI对ChatGPT进行了升级，推出了新的高级语音模式

OpenAI于3月25日宣布对ChatGPT的高级语音模式进行了更新，旨在提升用户与AI助手之间的对话体验。

此次更新主要优化了以下几个方面：

1. 减少不必要的打断：新版本解决了用户在思考或深吸气时，AI助手可能会不当插话的问题。现在，用户可以在对话中停顿而不会被AI打断，从而实现更加自然和流畅的交流。
2. 新增暂停功能：用户可以在语音对话中随时暂停，整理思路后再继续交流，这增强了对话的灵活性和控制感。

此外，为付费用户（如Plus、Teams、Edu、Business和Pro等订阅等级），ChatGPT的高级语音模式还增加了更多个性化语音选项，提供9种风格化的人声，以使模型的响应更加生动、直接和简洁。

这一更新已向所有用户开放，免费用户也可以尝试这些新功能，但可能会面临使用限制。

11. 谷歌推出了Gemini 2.5 Pro，显著提升了其性能

谷歌于3月26日正式推出其最新的AI模型——Gemini 2.5 Pro。该模型在多个基准测试中表现出色，尤其在LMArena排行榜上，以领先Grok-3和GPT-4.5高达40分的成绩夺得第一名，创下了历史最高分数飞跃的记录。

Gemini 2.5 Pro被定位为“思考”模型，旨在通过逐步处理任务、分析信息并得出逻辑结论，以提升对复杂问题的解答能力。该模型还具备原生多模态能力，可以处理文本、音频、图像、视频和代码等多种输入形式，支持高达100万个tokens的上下文窗口，适合处理大量数据及复杂任务。

在编程能力方面，Gemini 2.5 Pro相较于前代版本有显著提升。在SWE-bench编码能力评测中，该模型取得63.8%的成绩，展现出其在创建视觉效果出色的网站应用和AI智能体代码应用方面的卓越表现。

目前，Gemini 2.5 Pro已在Google AI Studio向所有用户免费推出，而在Gemini应用中则优先向Gemini Advanced用户开放。

12. Claude 3.7 Sonnet计划将上下文窗口扩展至50万个tokens

根据3月27日科技媒体TestingCatalog的报道，人工智能公司Anthropic计划将其Claude 3.7 Sonnet模型的上下文窗口从20万个tokens扩展到50万个tokens。这一改进将使模型能够直接处理海量信息，适应政治文档分析、超长代码库管理和跨文档摘要生成等复杂应用。

不过，增加上下文窗口的规模可能会带来内存和计算成本的压力，因此模型的实际利用效果仍需进一步验证。据悉，这项新功能可能优先向企业客户开放，像编程工具Cursor已经在其集成开发环境（IDE）中提供了Claude Sonnet 3.7 MAX选项。此次升级被视为对抗Google Gemini等竞争产品在超长上下文能力方面的挑战。

这一升级正值AI驱动的“氛围编程”兴起之际，开发者可以通过自然语言描述生成代码。50万个tokens的上下文窗口将支持更大规模项目的连续开发，减少因token限制带来的中断，从而进一步降低编程的门槛。