22 KiB

Raw Blame History

2025年11月大模型版本发布全景 & 2025年度发展回顾

下面分两部分回答你的问题：

2025年11月“大模型版本更新全景”
结合全年动态，对 2025 年大模型发展做一个结构化回顾与判断

一、2025年11月：全球大模型集中“换代”的关键窗口

11 月几乎可以看成 2025 年大模型“集中交卷月”，几家头部实验室都在这一个月完成旗舰模型换代或能力跃迁。

1. OpenAI：GPT‑5.1 家族（11 月 12–13 日）

定位：从“单一大模型”转向“多模式路由系统”

发布时间：2025 年 11 月 12–13 日正式上线 GPT‑5.1 系列[1]
核心结构：
- GPT‑5.1 Instant：
  - 面向日常聊天、问答、写作、轻量分析
  - 引入“自适应推理”（Adaptive Reasoning）机制：
    - 简单问题走“快通道”，几乎无额外思考
    - 棘手任务会短暂停顿 1–5 秒，自动“多想一步”再回答[1][2]
  - 响应延迟进一步下降，数学等基础推理任务的准确率较前代显著提升
- GPT‑5.1 Thinking：
  - 面向逻辑分析、长文档理解、数据解读、复杂规划等专业场景
  - 可动态拉长思考时间（10 秒甚至更久），用更长的中间推理链换取更高正确率[2][3]
- 配套 Auto 模式：根据任务复杂度自动选择 Instant 或 Thinking，并支持预设多种对话“人格 / 语气”风格[2]

对开发者/企业的意义：

技术上：从“一个统一模型”转为 前端路由 + 后端多模型 架构，为后续 GPT‑5.2 的 Instant / Thinking / Pro 三档打好基础
商业上：
- 日常场景成本更低（Instant），复杂场景体验更好（Thinking）
- 有利于把 GPT 能力嵌入不同产品线：聊天、办公、编程、代理（Agent）各有最优版本

2. Google：Gemini 3 Pro（11 月 18–19 日）

定位：首个在多项权威榜单全面压制 GPT‑5.1 的多模态旗舰

发布时间：美西时间 11 月 18 日，国内媒体 11 月 19 日集中报道[4]
亮点能力[4][5][6]：
- 100 万 tokens 上下文窗口（约几十万～上百页文档量级）
- 原生多模态：文字、图片、音频、视频统一建模，而不是简单“拼接模块”
- 在推理、编程、应用开发和图像生成等复杂任务上显著增强，被 Google 形容为
  
  “目前世界上最好的多模态理解模型，也是我们迄今为止最强大的智能体和氛围编程模型”[4][6]
- 通过 Deep Think / Deep Reason 模式，对标并超越推理型模型（如 GPT‑5.1 Thinking、Grok 4.1 Thinking、Kimi K2 Thinking）的“慢思考”能力
**部署：**发布当日即落地 Google 搜索的 AI 模式、Gemini App、API、Vertex AI 等全产品线[4][6]

意义：

性能上，Gemini 3 Pro 在多项公共基准中首次整体超越 GPT‑5.1 系列，被外部分析视为“谷歌重新夺回模型能力榜首”的标志[3][4]
策略上，Google 走的是 “一体化 AGI 平台” 路线：搜索 + Workspace + Android + Cloud 一起吃到新模型红利

3. Anthropic：Claude Opus 4.5（11 月 24–25 日）

定位：编程 & Agent 能力全面封王的“行动型模型”

发布时间：当地时间 11 月 24–25 日[7]
核心特征[7][8][9]：
- 在 SWE‑bench Verified 真实软件工程基准中达到 80.9% 准确率，是首个超过 80% 的模型，公开数据上超越 GPT‑5.1‑Codex‑Max、Gemini 3 Pro 等[7][9]
- Anthropic 内部 2 小时工程考试中，得分超过所有历史人类求职者[8]
- 主打三大场景：
  - 编程：代码生成、重构、复杂 bug 定位
  - Agent：长时运行、多工具协作、复杂任务拆解
  - Computer Use：自动操控浏览器、Office、Excel / PPT 等可视化界面
- 引入 effort（努力程度）参数：允许开发者在“省钱”与“极致能力”之间按需调节；中等 effort 下可在保持性能的同时节省约 76% Token 消耗[7][9]
- 价格腰斩：输入 $5 / 百万 tokens，输出 $25 / 百万 tokens，较前代 Opus 4.1 大约降价三分之二[7][8]

意义：

从“会聊天的模型”到“能交付结果的智能体（Agent）”：Opus 4.5 被不少分析称为“从 LLM 到 ‘大型行动模型（LAM）’ 的分水岭”[8]
对高端工程师工作影响最大：复杂项目编码、长程自动化任务，首次在统计指标上系统性超越人类平均水平

4. 百度：文心大模型 5.0 & 5.0 Preview（11 月 8–13 日）

定位：国内首个全模态 2.4 万亿参数旗舰 & 文本能力国内第一

发布时间：
- 11 月 8 日：ERNIE‑5.0‑Preview‑1022 登上 LMArena 文本榜，全球并列第二、国内第一[10]
- 11 月 13 日：百度世界大会正式发布 文心大模型 5.0[11]
技术亮点[10][11]：
- 2.4 万亿参数、超稀疏 MoE 架构
- 原生全模态统一建模：文本、图像、音频、视频同一套自回归架构
- 在 40+ 权威基准的综合评测中，语言与多模态理解能力与 Gemini‑2.5‑Pro、GPT‑5‑High 等持平[11]
- 官方强调的三大核心能力：
  1. 创意写作：生成质量与多样性全球领先
  2. 复杂长问题理解：面向专业领域长链条问题
  3. 指令遵循：对齐用户意图、降低“跑偏”
意义：
- 文心 5.0 让百度在国内基础模型竞争中重新站到第一梯队，并在 LMArena、部分多模态榜单上与国际顶级闭源模型对标[10][11]
- 配合 2025 年全年“萝卜快跑”等自动驾驶、搜索、办公场景应用，形成百度自有的 “搜索 + 自动驾驶 + AI 原生应用” 组合

5. 月之暗面：Kimi K2 Thinking（11 月 6 日）

定位：开源推理 + Agent 能力首次对齐甚至超越闭源标杆

发布时间：2025 年 11 月 6 日[12][13]
关键特征[12][13]：
- 基于 Kimi K2 万亿参数 MoE 基座，1 万亿总参数、约 320 亿激活参数、256k 上下文窗口
- 原生 “模型即 Agent” 设计：
  - 支持 “边思考，边调用工具”（浏览器、代码执行、搜索等）
  - 工具调用链可长达 200–300 步，适合长程复杂任务
- 在多个高难基准拿到/逼近 SOTA：
  - Humanity’s Last Exam（人类最后的考试，极高难综合测试）
  - BrowseComp（自主网络浏览）
  - SEAL‑0（复杂信息收集与推理）等
意义：
- 从开源阵营首次在若干推理与 Agent 能力上“正面硬刚”闭源顶级模型（如 GPT‑5 系列、Claude、Gemini 3）[12]
- 对国内外开发者来说，K2 Thinking 成为定制复杂 Agent 系统的高性价比开源基座

6. xAI：Grok 4.1（11 月 17–18 日）

定位：情感智能 + 创意写作 + 深度推理三位一体

发布时间：2025 年 11 月 17 日正式发布[14]
主要升级点[14][15]：
- 双模式：
  - Grok 4.1 Thinking：带推理版，LMArena 文本 Elo ≈ 1483，位列全榜第一
  - Grok 4.1 Non‑Thinking：直答版，速度快、成本低
- 情感与创意：
  - 在 EQ‑Bench 情感智能测试中大幅提升
  - 创意写作、对话连贯性、人格稳定性更好，用户主观偏好度高
- 事实性与幻觉控制：
  - 真实用户场景下幻觉率从约 12% 降至 4.2% 左右，下降近 3 倍[14]
商业策略：
- Thinking & 非 Thinking 两版 对所有用户免费开放，API 保持较低价格
意义：
- xAI 在“推理 + 情感智能 + 创意写作”三个维度与 OpenAI / Google / Anthropic 正面竞争
- 以免费策略迅速做大用户基数，成为 2025 年下半年产品层面最具“话题度”的大模型之一

7. DeepSeek：DeepSeekMath‑V2 & DeepSeek‑OCR 云端上线（11 月 27 日）

定位：数学推理与文档理解的“专业武器”

DeepSeekMath‑V2（11 月 27 日开源）[16]
- 基于 DeepSeek‑V3.2‑Exp‑Base，面向 数学定理证明与自验证推理
- 在模拟 IMO 2025、CMO 2024 达到金牌水平，在 Putnam 2024 获 118/120 分[16]
- 构建 LLM 验证器，对生成的证明过程进行自动审查，训练中将“解释评分”作为奖励信号，推动 RLVR 方向在数学领域落地
DeepSeek‑OCR 在多平台上线（含 Ollama v0.13.0）[17]
- 利用 “上下文光学压缩”（Contexts Optical Compression），用视觉 token 对长文本进行高比压缩：
  - 在 10 倍 Token 压缩下仍可保持约 97% 识别准确率[17]
- 2025 年 11 月，DeepSeek‑OCR 模型在网心算力云、Ollama 等平台上线，成为 RAG 与长文档处理的重要构件[17][18]

8. 本地推理生态：Ollama v0.13.0（11 月 19 日）

发布时间：2025 年 11 月 19 日[19]
关键更新：
- 新增 DeepSeek‑OCR、Cogito‑V2.1 等模型支持[19]
- 提供 Bench 性能测试工具，帮助本地部署者评估模型性能与资源消耗
意义：
- 把顶级开源模型（如 DeepSeek‑OCR、Cogito‑V2.1）快速带入开发者桌面环境，加速“本地 AI + 私有数据”的普及
- 也为国外开源推理模型（Cogito v2.1）提供标准发行渠道

9. Agent 基础设施：MuleRun 2.0（11 月 13 日）

发布时间：2025 年 11 月 13 日 0 点发布 2.0 版本[20]
定位：全球首个 AI Agent 交易市场
2.0 主要升级：
- 为用户配置 专属 Agent 团队（多个 Agent 协作完成复杂任务）
- 上线多种垂直场景的 Agent 专题（金融、研究、电商等）
数据：自 2025 年 9 月正式版上线起，1 个月内平台注册用户数突破 50 万，其中美国用户占比约 27%[20]
意义：
- 从“模型 API 市场”走向“Agent 市场”：将大模型能力封装为可交易的“数字劳动力”（AI Worker）
- 为 Agent 经济提供交易与分发“基础设施”

二、2025 年大模型发展回顾：从参数战争到“推理 + Agent + 开源”的系统竞争

结合全年公开信息，可以把 2025 年大模型发展概括为三个关键词：推理之年、Agent 元年、中国开源崛起。

1. 技术范式：从 RLHF 到 RLVR，推理能力成为主战场

训练方法革命
- 2025 年，多份权威总结（如清华《2025 年 AI 大模型资料汇编》、Karpathy 年度总结等）都指出：
  - 核心拐点是从 RLHF（人类反馈强化学习） 转向 RLVR（可验证奖励强化学习）[3][21]
  - 特别是在数学与代码领域：
    - 通过“自我生成解 + 自动验证 + 奖励信号”，大规模优化模型的推理链质量
    - DeepSeekMath‑V2 就是典型例子——把“证明是否严谨”量化为训练信号[16]
能力结构的“锯齿化”
- 2025 年头部模型普遍呈现：
  - 在数学、程序设计、形式化推理上达到“鬼才级”水平
  - 但在日常常识、灰度判断上仍有明显短板[3][21]
- 这导致对“是否接近 AGI”的讨论转向更细致的“分维度评估”

2. 生态格局：从“谁更大”到“谁更好用、更便宜、更系统”

规模定律见顶与“性价比之战”
- 继续堆参数的边际收益在降低：
  - Grok 3/4、GPT‑5、Gemini 3、DeepSeek‑V3 等超大模型之间的性能差异，已远低于算力消耗差异[22]
- 企业和开发者越来越关注：
  - 单位成本下的性能（性价比）
  - 在具体任务中的 稳定性与可控性，而非单一基准分数
系统竞争：模型 → 工具链 → Agent → 生态闭环
- OpenAI：GPT‑5.x + ChatGPT + Search + Codex + Agent 系统
- Google：Gemini 3 + Search + Workspace + Android + Vertex AI
- Anthropic：Claude Opus 4.5 + Claude Code + 各类插件与云平台集成
- 中国厂商：文心 + 千问 + DeepSeek + Kimi 等，围绕 云 + 应用 + 行业方案 构建系统化竞争
- 2025 年真正的焦点已从“模型跑分”转向 “谁的系统更能跑起来、赚到钱”

3. 开源浪潮：中国模型站到舞台中央

多份开源评述指出：2025 年开源大模型的领导力量逐渐从欧美转向“中美并立”，特别是中国在开源推理模型、代码模型、多模态模型上的贡献度显著提高[23]
核心代表：
- DeepSeek‑R1/V3/V3.2：以极低训练成本达到与 OpenAI o1 / GPT‑5 近似的推理水平，引发“去算力泡沫”讨论
- Kimi K2 / K2 Thinking：开源万亿参数 MoE + Agent 能力，成为世界级开源推理基座[12]
- Qwen3 系列：在多语种、多模态、多尺寸覆盖方面构建完整矩阵，开源生态极活跃[24]
影响：
- 推动全球开源社区从“复制闭源模型”转向“自创路线”（如便宜但强的推理模型、大上下文模型、多模态检索模型等）
- 也为中小企业和个人开发者提供了可负担的 SOTA 水平模型——配合 vLLM、Ollama 等推理框架，私有化部署门槛迅速下降

4. Agent 元年：从 Copilot 到 Autopilot

从“助手”到“执行者”
- 2023–2024：以 Copilot / ChatGPT 为代表的“对话助手”阶段
- 2025：
  - Manus 等长时自主 Agent 在欧美走红
  - 国内 AutoGLM、Kimi K2 Thinking、DeepSeek 系 Agent 工具陆续落地
  - MuleRun 2.0 等 Agent 交易市场让“数字劳动力”具备交易属性[20]
企业实践：
- 在代码、运营、客服、销售、财务、供应链等领域，越来越多企业尝试把工作流程交给 Agent：
  - 读取文档 → 搜集数据 → 调用工具 → 生成结果/执行操作 → 记录/汇报
- 这正在把 AI 从“办公插件”推向“业务流程执行引擎”

5. 中国大模型：从“追赶者”到部分赛道“领跑者”

数量与质量
- 截至 2025 年中，中国已发布的大模型超过 1500 个，占全球约 40%[25]
- 在文本、推理、代码、多模态多个榜单上，中国模型已多次进入全球前列：
  - 文心 5.0 Preview：LMArena 文本榜全球并列第二[10]
  - Kimi K2 Thinking：多个推理 / Agent 基准对标并超越顶级闭源[12]
  - DeepSeek：在数学、代码、推理、OCR 等细分领域提供了极具性价比的 SOTA 开源方案[16][17]
市场与政策
- 市场规模：
  - 多份研究预测中国 AI 大模型市场 2025 年规模将接近或突破 495 亿元人民币，2026 年有望破 700 亿元[26][27]
- 政策：
  - 从备案、标准、算力基础设施到数据要素政策，逐渐形成支持创新又重视安全治理的监管框架[27]

三、对企业和个人的可执行建议

结合 2025 年 11 月关键发布和全年趋势，如果你是：

1）企业技术负责人 / CTO

模型选型：
- 通用对话 / 办公：Gemini 3 Pro、GPT‑5.1 Instant、文心 5.0、Qwen3‑Max 等
- 高强度编码 / Agent：Claude Opus 4.5、Kimi K2 Thinking、DeepSeek‑V3.2 / Cogito v2.1
- 数学 / 科学推理：DeepSeekMath‑V2 + GPT‑5.2 Thinking 等组合
架构思路：
- 优先构建 “路由 + 多模型” 架构，而不是依赖单一大模型
- 引入 RAG + RLVR 思路，降低幻觉、提升可靠性
- 及早试点 Agent，在一个可控业务流程中进行“端到端自动化”实验（如报表生成、合同初审、代码评审）

2）开发者 / 技术个人

技能优先级：
1. 熟练使用 GPT‑5.1 / Gemini 3 / Claude Opus 4.5 等闭源 API，理解其优缺点
2. 掌握至少一个开源万亿级模型体系（如 Kimi K2 / Qwen3 / DeepSeek），并能本地或云端部署
3. 学会编排 Agent 流程：工具调用、任务拆解、错误恢复、长程状态管理
4. 理解 RLHF → RLVR 的变迁及其对提示词设计、系统设计的影响
实践路径：
- 从小型“AI 助手插件”（如内部知识库问答）做起，到“AI 执行机器人”（自动化运维脚本、报表生成、测试用例生成）
- 尝试使用 MuleRun、AutoGLM、Claude Code 等成熟 Agent 工具，理解业界最佳实践

3）普通专业人士（产品、运营、金融、咨询等）

把 2025 年的大模型看作 “第二曲线生产力工具”：
- 日常：用 GPT‑5.1 / Gemini 3 做信息收集、初稿撰写、方案头脑风暴
- 专业：用 Claude Opus 4.5 / DeepSeek / 行业大模型做报表、建模、代码/脚本、文档精读
- 中长期：
  - 主动拥抱 AI 工具，而不是被动“防被替代”
  - 把自己定位为“人 + 多个 Agent 团队”的协调者/决策者

总结

2025 年 11 月 是全球大模型领域 新一轮军备与洗牌的节点：
- GPT‑5.1、Gemini 3 Pro、Claude Opus 4.5、文心 5.0、Kimi K2 Thinking、Grok 4.1 等旗舰集中登场
- 多家厂商在多模态、推理、Agent、成本等维度对齐甚至超越 GPT 系列
2025 全年 则可概括为：
- 推理之年：RLVR、大量数学/代码/逻辑模型涌现
- Agent 元年：从 Copilot 到能真正执行任务的 Autopilot
- 中国开源崛起之年：DeepSeek、Kimi、Qwen3 等在多个技术方向实现“弯道超车”

站在 2026 年初再看 2025，可以说：
这不是大模型的终点，而是它真正变成“系统”和“基础设施”的起点。

References

22 KiB Raw Blame History Unescape Escape