2025 年 AI 模型重要进展汇总文档

汇总2025年（1月至12月）AI领域主要模型发布和突破性事件，整合大型语言模型（LLM）、开源模型（重点中国模型）、图片/视频生成模型以及语音模型的进展。数据基于全年关键公告，聚焦OpenAI、Google、Anthropic、xAI、DeepSeek、Qwen、Kimi、MiniMax、ElevenLabs等公司。2025年AI迭代加速，中国开源模型贡献突出，代理能力、多模态、推理和效率成为主流趋势。

1月

• LLM：DeepSeek发布DeepSeek-R1（开源推理模型），性能媲美OpenAI o1，训练成本低，引发行业震动。
• 开源模型：MiniMax发布并开源MiniMax-01系列（Text-01和VL-01），支持超长上下文，性价比高。
• 图片/视频：Luma AI发布Ray 2系列，支持实时视频生成。
• 语音：科大讯飞更新星火语音大模型，增强多语言情感表达。

2月

• LLM：OpenAI发布GPT-4.5研究预览；Google发布Gemini 2.0系列，支持2M token上下文。
• 语音：ElevenLabs推出Scribe STT模型，支持99语言；Deepgram发布Nova-3 STT，提升实时准确率。

3月

• LLM：OpenAI发布新一代STT模型（gpt-4o-transcribe系列）。
• 图片/视频：相关多模态扩展。

4月

• LLM：OpenAI发布o3和o4-mini，强化代理能力。
• 开源模型：阿里Qwen发布Qwen3系列（0.6B至235B MoE，全开源），旗舰模型在代码/数学领先。
• 图片/视频：Kuaishou发布Kling 2.0，提升运动控制。

5月

• LLM：Anthropic发布Claude 4系列（Opus 4/Sonnet 4），代理和代码领先；Google发布Veo 3（原生音频视频）。
• 图片/视频：Google发布Veo 3（首个原生音视频同步）；Runway迭代Gen-3。

6月

• 图片/视频：Kuaishou发布Kling 2.1；RunwayGen-3支持1080p。
• 语音：ElevenLabs发布v3 (Alpha) TTS，支持70+语言和高情感表达；科大讯飞语音合成升级（一句话克隆）。

7月

• LLM：xAI发布Grok 4。
• 开源模型：Moonshot AI发布开源Kimi K2（MoE架构），专注Agent和编程。
• 图片/视频：相关迭代。

8月

• LLM：OpenAI发布GPT-5。
• 开源模型：阿里发布Qwen-Image（开源图像生成）。
• 图片/视频：阿里Qwen-Image扩展。

9月

• LLM：Anthropic更新Claude Sonnet 4.5。
• 开源模型：Moonshot更新Kimi K2 Instruct。
• 图片/视频：OpenAI发布Sora 2；阿里通义万相 Wan2.5（音画同步）；字节Seedream 4.0。

10月

• LLM：Anthropic发布Claude Haiku 4.5。
• 开源模型：MiniMax发布MiniMax-M2（MoE，Agent优化）。
• 图片/视频：生数科技Vidu Q2（角色一致性）；语音相关更新（如科大讯飞星火X1.5，百变声音克隆）。

11月

• LLM：Google发布Gemini 3；xAI发布Grok 4.1；Anthropic发布Claude Opus 4.5（密集发布期，竞争激烈）。
• 开源模型：Moonshot发布Kimi K2 Thinking（强化推理）。
• 图片/视频：Black Forest LabsFLUX.2（开源图像SOTA）；GoogleVeo 3.1；阿里Z-Image（开源高效图像）。

12月

• LLM：Google发布Gemini 3 Flash；OpenAI发布GPT-5.2系列；NVIDIANemotron 3（开源代理优化）。
• 开源模型：MiniMax发布MiniMax-M2.1/M1系列。
• 图片/视频：RunwayGen-4.5（基准第一）；KuaishouKling 2.6（原生音频）；字节Seedream 4.5；Luma更新。
• 语音：OpenAI发布新音频模型（Realtime Mini、TTS/STT）；GoogleGemini 2.5 Flash Native Audio；阿里开源CosyVoice 3（TTS克隆）。

全年总结
2025年AI模型竞争进入白热化，中国开源模型（DeepSeek、Qwen、Kimi、MiniMax）在效率、开源和基准上多次领先，推动全球普惠。闭源旗舰（如GPT-5系列、Gemini 3、Claude 4.5、Grok 4）专注代理、多模态和实时能力。视频/图像领域音画同步和长时序突破显著；语音模型向低延迟、情感丰富演进。年底11-12月密集发布标志AI能力跃升，代理AI和多模态成为新焦点。

来源：https://vestlab.beikee.org/