上周精选✦
谷歌发布汇总
谷歌发布 Veo 2 视频模型，这才是 Sora 应该有的质量，非常强大，不过目前支持使用Image3的图片生成视频，而且需要申请资格，填写申请表的时候记得选美国。
- 支持生成高达 4K 分辨率视频，可以延长到几分钟
- 非常详细的画面细节表现
- 足够真实的物理交互
- 可以完成非常复杂的动作
这里是主流 AI 视频生成模型测试，可以很明显的看出Veo 2的强大。
Image 3也迎来了升级，这次的质量好的离谱，提示词理解和细节都跟FLUX和MJ不相上下了。
这里有我把它跟Midjourney的对比测试，从后面的投票来看，喜欢两者的人数量差不多。
谷歌还发了一个牛皮的东西 Whisk，支持通过给主题、场景、风格三张不同的图片控制新的图片生成。同样需要美国 IP 才能使用，很好玩。
Gemini-Exp-1206 原来真是 Gemini 2 的高级版本，Gemini Advanced 会员可以在 Gemini APP 使用了，谷歌说代码、数学和推理能力更强。
发布基于 Gemini 2 Flash 的推理模型 Gemini 2.0 Flash Thinking，直接在 LMArena 所有类别拿到第一，而且比 O1 快 5 倍！现在可以直接在 AI Studio 免费使用，推理过程公开。
OpenAI 发布内容汇总，O3有点离谱的
最终要的就是O3模型的发布， Open AI 没有详细的介绍模型架构和内容，就演示了几个问题，然后就是一系列基准，比如
- 专门为AGI制定的基准高计算模型得分达到了 87.5%，人类是85%。
- Frontier Math 数学数据集陶哲轩说这个数据集起码能挡住AI好几年，但O3一下就干到了25%。
- Codeforces 达到了 2727 分，这是一个编程竞技挑战，Open AI首席科学家也才能到2600多分。
O3没说发布时间，但是基于O3训练的O3Mini会在明年一月发布，现在可以申请红队测试提前试用，不过基本不可能过，这个很严格。
这里摘录几个大佬关于O3的评论：
- 这个模型在前沿数学基准测试中得分25%。这些数学问题难到几乎没有人能理解，更不用说解决它们。我做不到，你也做不到。这就是经济奇点，所有旧有的社会和经济模式都将崩塌。前方是一个巨大的未知世界，没有人能真正理解即将发生什么。
- 更重要的是，从o1到o3的进展仅用了三个月，这表明在新范式下进展会有多快 —— 这种新范式是在思维链上使用强化学习来扩展推理计算能力。这比每1-2年训练一个新模型的传统预训练范式要快得多。
- 我相信o3是程序合成领域的AlexNet时刻。我们现在有了具体证据表明深度学习引导的程序搜索是有效的。从我的角度来看，我们正在仰望另一座同样高且对AGI同样重要的山峰。
- 在技术可以创造一切的现实中，那些知道什么不该创造、能够优雅地对某些可能性说“不”的人将脱颖而出。
这几天Open AI 的其他一些发布：
- 美国和加拿大用户拨打 1-800-242-8478 或者向这个 WhatsApp 账号发消息可以跟Chatgpt聊天，每人每月将获得 15 分钟的语音通话时间，有人试着给WhatsApp账号发消息结果自己WhatsApp号还被封了。
- Mac OS 版本支持读取你已经打开应用的内容，除了常见编码应用外还增加了Apple Notes、Notion 和 Quip等笔记应用。
- 大量的API更新，支持O1正式版的API，增加了结构化输出，Realtime API 支持 SDK 调用、增加了偏好微调、Go 和 Java 的 SDK，详细的可以看大聪明这个文章。
- ChatGPT 搜索向所有免费用户推出，还在移动应用程序中向 ChatGPT 添加了地图，方便导航到饭店之类的地方。
Explorer 世界生成模型发布
Odyssey 走了另一条 AI视频路径，真给他们走出来了，发布 Explorer 世界生成模型，这么说吧，这东西完爆李飞飞新公司那个发布。
- 可将任何图像转换为详细的3D世界
- 支持世界动态生成，实现3D运动效果
- 采用高斯斑点作为世界表示方式
- 支持在主流创意工具中编辑生成的世界
当前状态：生成一个世界平均需要10分钟，已在Garden Studios进行了实际制作工作流程测试，正在持续改进分辨率、世界完整性和可控性
