【AIGC2025】蛇年将至，AI大模型杀手级模型哪家强？

（一）DeepSeek-R1（深度求索）

（1）资源地址

体验地址： https://www.deepseek.com/

论文链接： https://github.com/deepseek-ai/DeepSeek-R1/blob/main/DeepSeek_R1.pdf

模型地址： https://huggingface.co/deepseek-ai?continueFlag=f18057c998f54575cb0608a591c993fb

参考博客：

• 「DeepSeek接班OpenAI」，最新开源的R1推理模型，让AI圈爆了
• DeepSeek R1果然有点意思! Windows本地使用ollama轻松跑起来。

（2）主要特点

• 使用一种多阶段循环的训练方式：基础→ RL →微调→ RL →微调→ RL；

• 网页端、App 端和 API 端全面上线；

• 发布了两个参数为 660B 的 DeepSeek-R1-Zero 和 DeepSeek-R1；

• 蒸馏出六个小模型，参数从小到大分别为 1.5B、7B、8B、14B、32B 以及 70B，这六个模型完全开源。

• 蒸馏后的 R1 32B 和 70B 版本远远超过了 GPT-4o、Claude 3.5 Sonnet 和 QwQ-32B，并逼近 o1-mini。

  

• DeepSeek-R1 API 服务的定价为每百万输入 tokens 1 元（缓存命中）/ 4 元（缓存未命中），每百万输出 tokens 16 元。

（二）豆包大模型 1.5系列（字节跳动）

（1）资源地址

体验地址： https://www.volcengine.com/

参考博客： 豆包发布大模型 1.5 Pro ，实测后我发现这个国产 AI 用最「笨」的方法干翻了 GPT-4o

（2）主要特点

• 发布四个版本：

  • Doubao-1.5-pro：多项基准测试综合得分优于 GPT-4o、Claude 3.5 Sonnet 等业界一流模型，创历史最佳成绩
  • Doubao-1.5-lite：用轻量级成本实现旗舰级性能，综合性能持平或超越 GPT-4omini，Cluade 3.5 Haiku。
  • Doubao-1.5-vision-pro：定位专业视觉理解模型，在保持强大性能的同时，回复更简洁友好，多模态能力超越了 GPT-4o-0806。
  • Doubao-1.5-realtime-voice-pro：真正实现端到端语音对话，具备低时延、对话中可随时打断、自然的情绪表达等特性，即将开放 API 服务

• Doubao-1.5-pro 采用稀疏 MoE 架构实现了多项技术突破：通过深入研究稀疏度 Scaling Law，将性能杠杆从业界普遍的 3 倍提升至 7 倍，用仅占稠密模型七分之一的参数量就超越了 Llama-3.1-405B 等大模型的性能。

  

• 在训练流程上，团队坚持完全自主的数据标注路线，通过算法驱动的数据优化系统和 Verifier 与 Reward Model 的深度融合，建立了统一的评价框架。

• 在 RL 阶段突破了价值函数训练难点，高难度任务性能提升超过 10 个百分点，并通过用户反馈闭环持续优化模型表现。这些创新使模型在保持高性能的同时大幅提升了效率。

• Doubao-1.5-pro 在多模态能力上实现了全面升级，通过原生动态分辨率架构支持百万级分辨率和任意长宽比图像处理，实现了精准的特征提取。

  

• 豆包团队自研的支持动态分辨率的 Doubao ViT 在多种视觉分类任务中表现优异，仅凭 2.4B 规模便在综合评分上取得 SOTA 表现，效果超越 7 倍于自身规模的模型。

• 在数据训练方面，模型采用了多样化的合成管线，结合搜索引擎的图文数据、渲染引擎和传统 CV 模型等多种方式生成高质量预训练数据。

• 通过在 VLM 训练阶段混入纯文本数据并动态调整学习率，模型实现了视觉和语言能力的平衡。

• 在语音领域，团队创新性地提出了 Speech2Speech 端到端框架，突破了传统 ASR+LLM+TTS 的级联模式，将语音和文本模态进行深度融合，显著提升了对话效果。

• Doubao-1.5-pro 在语音和推理能力上取得重大突破：模型创新性地将语音和文本 Token 直接融合，摒弃了传统的语音文本对齐方法，为语音多模态数据的 Scaling 奠定基础。

• 在推理领域，通过大规模 RL 方法和 Test Time Scaling 的算力优化，团队研发出 Doubao 深度思考模式。

• 最新的 Doubao-1.5-pro-AS1-Preview 版本在 AIME 基准测试中已超越 o1-preview、o1 等主流推理模型，通过持续的 RL 优化，模型的推理能力在多个领域展现出强大的泛化性。

（三）Kimi k1.5（月之暗面-多模态思考模型）

（1）资源地址

论文地址： https://github.com/MoonshotAI/kimi-k1.5

开源地址： https://github.com/MoonshotAI/kimi-k1.5

参考博客： Kimi硬刚多模态满血版o1，首曝训练细节！强化学习scaling新范式诞生

（2）主要特点

• 发布历程

  • 2024年11月发布 k0-math 数学模型
  • 2024年12月发布 k1 视觉思考模型
  • 2025年1月发布 Kimi k1.5

  

• 性能赶超OpenAI o1模型

  

• 在Long CoT模式下，Kimi k1.5的数学、代码、多模态推理能力，达到了长思考SOTA模型OpenAI o1满血版的水平。这也是全球范围内，首次有OpenAI之外的公司达到；在Short CoT模式下，Kimi k1.5大幅领先GPT-4o 和Claude 3.5的水平。

  

• 设计的关键要素： 1. 长上下文扩展 2. 改进的策略优化 3. 简化框架 4. 多模态

（四）子曰-o1（网易有道）

（1）资源地址

体验地址： https://confucius-o1-demo.youdao.com/

模型地址：

• https://huggingface.co/netease-youdao/Confucius-o1-14B

• https://modelscope.cn/models/netease-youdao/Confucius-o1-14B

参考博客： 网易有道子曰开源国内首个输出分步式讲解的推理模型“子曰-o1”！消费级显卡即可部署

（2）主要特点

• 国内首个输出分步式讲解的推理模型

• 作为14B轻量级单模型，子曰-o1支持在消费级显卡上进行部署，采用思维链技术，能够提供细致解题过程，以强逻辑和推理能力，实现更高的解题准确性，并提供中文逻辑推理。

• 子曰-o1开源模型选择了较小参数规模的基础模型，能够进行单卡部署并具备更强的数学能力。在此基础上，子曰-o1开源模型进一步实现了轻量化，能够在消费级显卡上运行，提供与云端部署质量相媲美的模型质量。

  

• 在规模“压缩”的同时，子曰-o1采用思维链技术，打造了国内首个输出分步式讲题的思维链模型，以14B小参数规模可复现OpenAI o1的单模型推理能力。

（五）Agent GLM-PC（智谱华章）

（1）资源地址

体验地址： https://cogagent.aminer.cn/home

参考博客： 智谱AI深夜上线全新Agent GLM-PC，再见仍是巅峰。

（2）主要特点

• 发布历程

  • 2024年10月25日，智谱在CNCC发布了第一款手机自主人工智能，AutoGLM，直接在行业内和金融市场上掀起了风暴。
  • 2024年11月29日，智谱在Agent OpenDay上，宣布升级版的AutoGLM，还有电脑版本的自主人工智能，GLM-PC 1.0内测版。

• 复杂任务拆解能力大幅强化，任务成功率比1.0高太多太多了，操作速度直逼人类，每步操作几乎都在1.5s以内。

（六）Trae（字节跳动AI-IDE-对标Cursor）

（1）资源地址

体验地址： https://www.trae.ai/

参考博客： 一人能顶一个公司：字节AI编程神器Trae诞生了！

（2）主要特点

• Trae 是一款面向开发者的 AI 驱动的集成开发环境（IDE）。它通过智能代码补全、多模态交互以及对整个代码库的上下文分析等功能，帮助开发者更高效地编写代码。Trae 的主要优点在于其强大的 AI 能力，能够理解开发者的需求并提供精准的代码生成和修改建议。该产品目前提供免费版本，旨在帮助开发者减少重复性任务，专注于创造性工作，从而提升编程效率和生产力。

• 内置了 Claude-3.5-Sonnet免费用

• 需求人群

  “Trae 主要面向希望提高编程效率、减少重复性任务的开发者，无论是初学者还是经验丰富的开发人员，都可以通过 Trae 的智能辅助功能提升编码速度和质量。此外，对于需要快速构建项目的团队，Trae 的聊天构建模式也能提供显著帮助。”

• 使用场景示例

  Emily：表示 Trae 是她不可或缺的工具，极大地提升了她的编程效率。

  Choi：认为 Trae 是革命性的工具，能够无缝整合到开发流程中，显著提高编程效率。

  nlsun：即使没有编程经验，也能通过 Trae 快速创建完整的游戏项目。

• 产品特色

  智能代码补全：实时预测开发者意图并自动完成代码。

  多模态交互：支持上传图片以澄清需求，提升协作效率。

  上下文分析：全面分析代码库，提供精准代码生成和修改建议。

  聊天构建项目：通过聊天模式快速分解和执行任务，优化开发流程。

  实时工作流理解：结合编辑器和终端信息，理解开发者的具体需求。

  适应多种编程语言和框架：支持多种开发场景，提升开发灵活性。

  社区支持：通过 Discord 等渠道提供开发者社区支持。

• 使用教程

  1. 访问 Trae 官方网站并下载适用于 macOS 或 Windows 的桌面客户端。

  2. 安装完成后，启动 Trae 并根据提示进行初始设置。

  3. 打开一个现有项目或创建新项目，Trae 会自动分析代码库。

  4. 在编辑器中编写代码时，Trae 会实时提供智能代码补全建议。

  5. 使用聊天模式（Builder）通过自然语言描述需求，Trae 会自动分解任务并生成代码。

  6. 需要上传图片以澄清需求时，利用多模态功能上传并获取更精准的反馈。

  7. 利用 Trae 的上下文分析功能，获取针对当前项目的定制化代码建议。

  8. 通过 Trae 的社区和文档获取更多支持和使用技巧。

（七）T2A-01系列（MiniMax-语音模型）

（1）资源地址

体验地址：

• 海螺语音：https://hailuoai.com/audio

• Hailuo Audio（海外版）：https://hailuo.ai/audio

• 国内API服务：https://platform.minimaxi.com/document/T2A%20V2

• 海外API服务：https://intl.minimaxi.com/document/T2A%20V2?key=66719005a427f0c8a5701643

参考博客： MiniMax海螺语音全球同步上线，文生音能力赶超ElevenLabs

（2）主要特点

• 与传统语音生成技术相比，全新升级的T2A-01系列语音模型不仅具有音质稳定清晰、韵律自然、情绪精准表达、高准确度等特点，提供更快、更稳的语音生成能力，还能支持包括中文、粤语、英语、日语、韩语、阿拉伯语、西班牙语在内的17种语言及上百种预置音色可选，为企业与个人用户提供自然流畅的语音生成体验。
• 海螺语音支持中文、粤语、英语、日语、韩语、阿拉伯语、葡萄牙语、西班牙语、法语、意大利语、印尼语、荷兰语、俄语、德语、越南语、土耳其语、乌克兰语等17种语言生成，能够提供真正地道的语言输出。在T2A-01模型的能力支持下，海螺语音在相似度、错误率和听感评测上均领先于同类产品。
• 海螺语音预置不同语种共计300+音色供用户选择，用户可按语言、口音、性别和年龄分类筛选。音色多变，不羁、诙谐、慈祥等风格丰富多样，有声书、ASMR耳语、新闻播报等场景均可适用。
• T2A-01系列包含T2A-01-HD，T2A-01-Turbo两款模型供用户使用，API服务已同步上线MiniMax开放平台，企业可以根据音频质量与生成速度的需求重点来选择。在海外内测期间，凭借超一流、超预期的多语种语音生成能力，海螺语音迅速收获一众海外AI工作室、创作者好评。