2025年12月，中国研究团队推出全球首个原生多模态架构NEO，由商汤科技与南洋理工大学联合研发。NEO颠覆传统模块化拼接方式，实现视觉与语言的一体化深度融合，仅用十分之一的训练数据便在多项评测中追平甚至超越旗舰模型如GPT-4V、Claude 3.5等。其三大核心技术包括原生图块嵌入、原生三维旋转位置编码和原生多头注意力机制，显著提升数据效率和推理能力。NEO在中小参数规模（2B-8B）表现出色，适合边缘设备部署，大幅降低多模态模型的应用门槛。商汤已开源2B与9B两种规格模型，推动行业向原生架构迁移。NEO的出现验证了Ilya Sutskever关于‘架构创新重于规模堆砌’的预言，为AI未来发展指明方向。

12月5日，火山引擎发布豆包语音识别模型2.0（Doubao-Seed-ASR-2.0）。新模型推理能力显著提升，上下文关键词召回率提高20%，通过深度理解上下文实现更精准的语音识别。新增多模态视觉识别功能，支持单图和多图输入，进一步提升文字识别准确性。此外，该模型支持13种海外语种，包括日语、韩语、德语和法语等，满足国际化需求。此次升级为语音识别技术带来全新突破，助力多场景应用发展。

12月5日，火山引擎发布豆包语音识别模型2.0（Doubao-Seed-ASR-2.0），新增多模态视觉识别功能，支持“听懂字”和“看懂图”，大幅提升文字与场景识别精准度。模型优化了上下文推理能力，关键词召回率提升20%，并支持日语、韩语、德语、法语等13种外语识别。通过深度理解上下文及图像辅助，可精准判断易混淆词汇，如搜拍场景中的“滑鸡”与“滑稽”。此外，模型基于PPO强化学习方案，无需依赖历史记录即可泛化理解动态交互场景，适用于图片创作和跨语言交流。目前，该模型已上线火山方舟体验中心，并对外提供API服务。

12月2日，商汤科技联合南洋理工大学S-Lab发布并开源全新多模态模型架构NEO，称其为“行业首个实现深层次融合的原生多模态架构”。NEO通过注意力机制、位置编码和语义映射三大创新，打破传统模块化设计局限，统一处理视觉与语言能力。相比主流模型，NEO仅需1/10数据量（3.9亿图像文本示例），即可在视觉理解任务中追平顶级模型，并在多项公开评测中表现优异。此外，NEO支持边缘部署，在0.6B-8B参数区间性价比突出。商汤已开源2B与9B两种规格模型，供开发者使用。

12月1日，快手可灵AI宣布全球首个统一多模态视频模型——可灵视频O1模型全量上线。该模型采用全新生成式底座与MVL交互架构，支持单一输入框内融合多种任务，并结合Chain-of-thought技术，具备强大的常识推理与事件推演能力。官方称，其深层语义理解力可将照片、视频、文字视为指令，同时推出全新创作界面，用户通过简单对话即可精准生成细节。此外，该模型支持多视角构建主体，确保画面连贯稳定，并能自由组合多个主体，为创作者提供更高效的工具。

2025年11月，Transformer作者、OpenAI研究科学家Łukasz Kaiser爆料GPT-5.1内幕，揭示AI底层范式正从预训练转向推理模型。他指出，AI发展并未放缓，而是进入平稳增长阶段，类似摩尔定律的指数曲线仍在延续。GPT-5.1并非小版本更新，而是一次重大迭代，强化了安全性、减少幻觉，并新增多种风格选择。OpenAI内部命名规则也转向以用户体验为导向。未来突破点将集中在多模态推理和具身智能领域，家用机器人可能成为继ChatGPT后的下一场直观AI革命。Łukasz强调，AI不会让人类失去工作，但会改变工作方式，尤其在高风险场景中仍需依赖人类专家。

视频理解霸榜！快手Keye-VL旗舰模型重磅开源，多模态视频感知领头羊 快手新一代旗舰多模态大语言模型Keye-VL-671B-A37B正式发布！在保持基础模型强大通用能力的同时，该模型在视觉感知、跨模态对齐和复杂推理链路上进行了系统升级，实现了更精准的“看”、“想”、“答”。 图像语义理解更可靠 ...

精准锁定「硬骨头」：难样本筛选破局SFT依赖，GRPO-only斩获感知推理双最优 中兴通讯AIM团队投稿 量子位 | 公众号 QbitAI 一项被AAAI 2026接收的研究，针对多模态大模型后训练的难题提出全新解决方案。研究发现，在视觉推理与感知任务中，仅用中等和困难样本训练、完全跳过SFT...

11月18日，AI应用“灵光”正式上线，22日用户突破100万，24日下载量达200万，创历史新高。其服务器因超预期用户量曾短暂宕机，后紧急扩容8轮。灵光凭借“闪应用”功能快速破圈，覆盖职场人士、学生、宝妈等多类人群，生成了如“溏心蛋计时器”“深蹲助手”等实用小应用。与传统AI不同，灵光注重“信息美学”，以简洁总结和多模态输出（图文、动画）解决信息过载问题。其爆火标志着AI从“聊天”转向“办事”，满足碎片化需求，推动AI实用化趋势。未来，灵光计划加强代码能力与动态交互，并有望与支付宝生态联动，进一步提升生产力价值。蚂蚁CTO称，当前AGI发展阶段类似2000年互联网，技术与市场潜力巨大。

大模型首次拥有“脖子”！纽大团队实现360度类人视觉搜索 纽约大学研究团队在论文《Thinking in 360°: Humanoid Visual Search in the Wild》中，提出了一种全新的“类人视觉搜索”（Humanoid Visual Search, HVS）任务，让大模型能够...