本周AI领域迎来密集更新，大模型方面，Runway、OpenAI、通义百聆、NVIDIA、阿里云、字节跳动、小米、腾讯、Meta、Google等先后推出或开源视频生成、世界模型、语音、音视频创作等相关模型，涵盖画质提升、多模态支持、高效推理等优势，部分模型引发争议；Agent方面，Google、商汤科技等发布研究、办公、营销等场景智能体；工具方面，腾讯元宝、OpenAI也更新工具功能，一起来回顾本周发生的AI新鲜事儿吧！
AI 大模型
Runway升级发布「Gen-4.5」旗舰视频模型和首个通用世界模型「GWM-1」
12月12日，AI视频与多媒体生成领域独角兽Runway在Demo Day 2025上发布五大产品与研究更新，包括画质和创意控制能力突出、支持原生音频生成编辑及多镜头编辑的旗舰视频生成模型「Gen-4.5」，以及基于「Gen-4.5」构建、采用逐帧预测且支持用户干预的首个通用世界模型「GWM-1」，其包含可实时生成沉浸式可探索空间的「GWM Worlds」、为机器人训练提供合成数据的「GWM Robotics」、音频驱动的交互式视频模型「GWM Avatars」三种变体，此次更新标志着行业从“视频生成”迈向“世界模拟”。
OpenAI十周年发布「GPT-5.2」系列模型，缺乏共情力引发争议
12月12日，OpenAI十周年推出「GPT-5.2」系列模型，有Instant、和Pro三种版本，官方称其是“迄今为止在专业知识工作方面能力最强的模型”，多项基准测试刷新最优水平。但该模型上线仅24小时就遭到大量用户差评，认为其个性平淡、安全审查过度、缺乏共情力、“不通人性”等。在常识推理、部分简单问答和创作类任务表现不佳，使用成本还更高；同时其审查与安全拒绝机制过于严苛，对一些无害的学术内容转录、合理的历史人物匹配等请求都予以拒绝，折射出OpenAI在争夺企业市场与满足普通用户体验需求之间陷入难以平衡的困境。
OpenAI开源稀疏Transformer模型「Circuit-Sparsity」
12月15日，OpenAI开源稀疏Transformer模型「Circuit-Sparsity」，模型参数量仅0.4B，99.9%的权重为零，仅保留0.1%非零权重，解决模型可解释性问题。该模型通过动态剪枝、激活稀疏化、架构微调等技术，在内部形成紧凑可读的“电路”，让神经元激活具有明确语义，成功解决传统大模型“黑箱”问题、提升可解释性，且在相同任务损失下电路规模比密集模型小16倍，但存在运算速度较密集模型慢100至1000倍的计算效率瓶颈，目前难以直接应用于千亿参数级前沿大模型。
通义百聆语音双子星模型同步开源，覆盖多语种合成与高准度语音识别
12月15日，通义百聆语音双子星模型同步开源，包括「Fun-CosyVoice3（0.5B）」和「Fun-ASR-Nano（0.8B）」，前者完成首包延迟降低50%、中英混说准确率翻倍等升级，支持9语种18方言、跨语种克隆与情感控制，具备zero-shot音色克隆能力，可本地部署与二次开发；后者作为Fun-ASR的轻量化版本，推理成本更低，支持本地部署与定制化微调，而升级后的Fun-ASR模型则在噪声场景下识别准确率达93%，支持歌词与说唱识别、31语种自由混说、方言口音覆盖，流式识别首字延迟低至160ms，两款开源模型均已在魔搭、HuggingFace、GitHub等平台提供体验与下载渠道。
NVIDIA推出「NVIDIA Nemotron™ 3」系列开放模型、数据和库
12月15日，NVIDIA宣布推出「NVIDIA Nemotron™ 3」系列开放模型、数据和库，该系列包含Nano、Super和Ultra三种规模，采用突破性的异构潜在混合专家 (MoE) 架构，其中「Nemotron 3 Nano」的吞吐量较上代提升4倍，且能在大规模多智能体系统中实现领先的每秒生成token数；模型通过先进的强化学习技术及大规模并行多环境后训练，具备卓越准确率，同时以高开放性和透明度，直面企业从单模型对话机器人转向协作式多智能体AI系统时面临的通信开销、上下文漂移、高推理成本等挑战，为各行业专业代理式AI的透明、高效开发与部署提供助力。
通义万相发布国内首个支持角色扮演的视频模型「Wan 2.6」
12月16日，阿里云正式发布全新万相「Wan 2.6」模型，面向专业影视制作和图像创作场景进行了全面升级，是国内首个支持角色扮演、全球功能最全的视频模型。该模型集成多项创新技术，可实现画面到声音的全感官全维度一致性保持与迁移，支持单人和多人表演，具备音画同步、多镜头生成、声音驱动等功能，新增角色扮演和分镜控制能力，能一键完成单人/多人/人与物合拍视频及多镜头切换，单次视频时长达国内最高15秒，画质、音效与指令遵循能力进一步提升。
字节跳动发布音视频创作模型「Seedance 1.5 pro」，革新音视频联合生成体验
12月16日，字节跳动Seed团队正式发布新一代音视频创作模型「Seedance 1.5 pro」，支持音视频联合生成，能够执行多种任务，包括从文本到音视频的合成以及图像引导的音视频生成等。该模型具备精准音画同步、多语言及方言支持、电影级运镜控制、增强的语义理解与叙事协调性等优势，依托多模态联合生成架构、多阶段数据Pipeline等技术，在影视创作、广告生产、短剧生成等多个场景展现出良好的叙事表现力与视听融合度，综合评测中各项关键能力处于业界前列。
小米开源专为极致推理效率自研的MoE模型「MiMo-V2-Flash」
12月17日，小米开源专为极致推理效率自研的309B参数（激活15B）MoE模型「MiMo-V2-Flash」，该模型通过5:1比例的Sliding Window Attention与Global Attention混合架构、多层MTP推理加速技术及全新MOPD后训练范式，在多个Agent测评基准跻身全球开源模型Top 2，代码能力比肩Claude 4.5 Sonnet，且推理价格仅为其2.5%、生成速度提升2倍，同时具备优秀的Web开发、对话创作等能力。
腾讯发布开放实时体验的「混元世界模型1.5」，并开源全链路训练体系
12月17日，腾讯正式发布「混元世界模型1.5」（Tencent HY WorldPlay），这是国内首个开放实时体验的世界模型，用户只需输入文字描述或者图片即可创建专属的互动世界，通过键盘、鼠标等设备实现沉浸式实时探索，且离开后返回区域能保持场景前后一致，还可导出3D点云。该模型具备实时交互生成（24FPS生成720P高清视频）、长范围3D一致性、多样化交互体验三大核心能力，首次开源了涵盖数据、训练、推理部署全链路的实时世界模型训练体系，依托双分支动作表征等三大核心创新及3D奖励强化学习后训练框架破解技术难题，适用于游戏开发、影视制作、VR、具身智能研究等多个场景。
Meta开源音频分割模型「SAM Audio」，一键分离任意声音
12月17日，Meta开源音频分割模型「SAM Audio」，以PE-AV为核心技术引擎，基于流匹配扩散Transformer的生成式建模框架，融合先进数据引擎训练而成，支持文本、视觉、时间跨度三种提示方式（可单独或组合使用），能从复杂音频混合中分离任意声音，在多项任务上实现业界领先性能且运行速度快于实时处理（RTF≈0.7），同时Meta还同步发布了SAM Audio-Bench首个真实环境音频分离基准）、SAM Audio Judge（首个音频分离自动评测模型），并将所有成果整合进Segment Anything Playground供用户体验。
Google发布「Gemini 3 Flash」模型，速度快3倍全球免费开放
12月18日，Google正式发布「Gemini 3 Flash」模型，直接对标OpenAI和Anthropic的旗舰模型，官方号称比2.5 Pro速度快3倍，Token消耗减少三成，输入0.5美元/百万Token、输出3美元/百万Token的价格仅为Gemini 3 Pro的四分之一，同时在GPQA Diamond、MMMU Pro等多项基准测试中表现亮眼，具备自适应思考、多模态处理及优秀的智能体编码能力，可应用于视频分析、UI设计、搜索AI模式等多种场景，支持免费向全球用户开放，已嵌入Google搜索AI模式、Gemini APP等多平台。
「豆包大模型1.8」发布，多模态推理与Agent能力领先
12月18日，在火山引擎Force原动力大会上，「豆包大模型1.8」（Doubao-Seed-1.8）及音视频创作模型「Seedance 1.5 pro」正式发布。其中「豆包大模型1.8」面向多模态Agent场景优化，工具调用、复杂指令遵循等能力显著增强，多项评测表现达业界领先水平，已上线开放API；「Seedance 1.5 pro」原生支持音视频联合生成，在音画同步、多人多语言对白、影视级叙事张力等方面实现突破，已在豆包App（灰度测试）等多个平台上线试用。
AI Agent
Google推出全新版「Gemini Deep Research Agent」
12月12日，Google推出全新版「Gemini Deep Research Agent」，基于「Gemini 3 Pro」构建并通过多步强化学习训练提高准确性减少幻觉。 新版在Humanity’s Last Exam测试集中达到46.4%领先水平，在DeepSearchQA上取得66.1%，在BrowseComp测试中获得59.2%高分。并同步推出开源网络研究Agent基准DeepSearchQA和全新交互API，后者支持服务器端状态管理、远程MCP工具调用和后台执行长时间推理循环。
「Manus 1.6 Max」发布，从“辅助工具”变身“独立承包商”重塑工作流
12月15日，「Manus 1.6 Max」发布，实现了从“辅助工具”到“独立承包商”的质变，用户满意度提升19.2%。其核心亮点包括引入更高级规划架构的全新旗舰Agent，通过子Agent战群模式并行处理任务，能独立完成复杂Excel财务建模和数据分析。本次新增移动开发功能，支持端到端App开发流程，用户只需描述需求即可生成中小型工具类App。此外还推出Design View设计视图，实现局部修图、精准文字渲染和多图层合成，解决AI生图不可控的痛点。
阶跃星辰「Step-GUI」云端模型全量上新，多端适配快速部署
12月17日，阶跃星辰宣布「Step-GUI」云端模型全量上新，涵盖200+任务场景，支持手机、PC、汽车多端使用，具备更长推理步骤、更强语义理解与泛化能力，还推出首个GUI-MCP协议，可实现10分钟快速部署及端云协同的隐私可控使用，同时开放API免费使用并公开技术报告。
商汤科技启动「2025产品发布周」，连发多款AI产品
12月15日至19日，商汤科技正式启动「2025产品发布周」，连续发布多款兼具开创性与实用性的AI产品，包括多剧集生成智能体「Seko2.0」、AI办公智能体「小浣熊3.0」、「如影营销智能体」、「开悟世界模型3.0」、「咔皮记账APP」等。
商汤科技推出行业首个创编一体、多剧集生成智能体「Seko2.0」
12月15日，商汤科技推出行业首个创编一体、多剧集生成智能体「Seko2.0」，实现全新UI升级，支持100集以内剧本连续创作及Agent智能调度，通过SekoIDX 技术破解多剧集跨分镜角色一致性难题，借助SekoTalk攻克多人对口型难题，结合Phased DMD蒸馏技术和开源推理框架LightX2V降低创作成本、提升效率，漫剧制作周期可缩短80%~90%，且LightX2V已适配国产芯片实现全国产化部署。
商汤科技发布AI办公智能体「小浣熊3.0」
12月16日，商汤科技正式发布AI办公智能体「小浣熊3.0」，该产品已拥有300万+注册用户，此次升级实现三大跃迁：交付上从生成“草稿”到一键生成高质量PPT，支持图文等元素快速编辑；理解上具备长链条思考能力，可秒级处理百万级数据量，实现多模态、多源关联分析；工作流上融入企业场景，支持跨平台任务处理，移动端同步上线，企业侧落地精度达95%+。
商汤科技推出「如影营销智能体」
12月17日，商汤科技正式推出面向电商运营场景的「如影营销智能体」，是新一代电商AI增长引擎，由店铺运营、直播运营、流量投放、直播场控四个电商Agent及数字人Agent组成“五大智能体矩阵”，覆盖电商全链路运营，可实现数据自动同步、联动响应，无需人工介入。其中店铺运营Agent单任务平均提效20倍，直播运营Agent提效6倍，流量投放Agent提效5倍，直播场控Agent能让主播自助完成场控操作，数字人Agent可实现“当日复刻当日播”。该智能体依托商汤日日新大模型及国产化硬件支持，能实现多维度提效，推动电商增长从“人力驱动”转向“智能驱动”。
大晓机器人发布具身智能三大核心成果，共建生态助力规模化落地
12月18日，大晓机器人正式发布行业首创的ACE具身研发范式、首个开源且商业应用的开悟世界模型3.0（Kairos 3.0）、让具身本体拥有自主空间智能的具身超级大脑模组A1。其中ACE范式以环境式数据采集为引擎，构建“数据采集-世界模型-具身交互”全链路技术体系，可实现千万小时数据收集，开悟世界模型3.0具备多模态理解-生成-预测能力，已适配多款国产芯片并开源开放API，具身超级大脑模组A1依托纯视觉无图端到端VLA模型等优势，实现自主空间智能与云端交互，适配多行业超150个应用场景。
商汤科技推出全新升级的「咔皮记账 APP」
12月19日，商汤科技推出全新升级的「咔皮记账APP」，这款基于日日新多模态大模型打造的AI原生财务Agent工具，聚焦年轻人手工记账繁琐、预算难执行、超支无提醒、报表看不懂等财务痛点，提供AI自动记账（拍小票、截账单、语音录入即可完成）、智能预算规划（按5/3/2法则及用户消费习惯生成个性化方案）、超支与订阅/还款提醒、深度消费洞察分析（支出占比、趋势预测及优化建议）全流程服务。
AI 工具
腾讯元宝推出「写作模式」，边聊边写30分钟产出万字长文
12月15日，腾讯元宝推出「写作模式」，多端（App/电脑/网页版）操作便捷，支持用户边聊天边创作中长篇小说，用户只需提供故事主题、脑洞等简单信息，元宝便能自动补全剧情、人设、大纲，还可细化章节情节、调整大纲或直接生成全文，创作效率极高，30分钟可写出5万字，14分钟能完成3万字作品，并支持将长稿一键导出至本地文档或腾讯文档。
OpenAI推出新版「ChatGPT Images 」，多项能力升级且API降价20%
12月17日， OpenAI推出新版「ChatGPT Images 」，由全新的旗舰图像生成模型「GPT Image 1.5」驱动。该模型在精准修图（可实现添加、删减等多种编辑操作且保留原图关键要素）、指令遵循能力、生成速度（提升4倍）、文本渲染、画质等方面均有显著升级，还推出了无需提示词的全新交互方式（内置数十种预设滤镜和提示且定期更新），在LMARENA.AI的文本到图像排名中位列第一，且API价格直降20%。
