何恺明团队推出了首个扩散语言模型ELF，采用105M参数和45B训练token，成功超越主流模型。ELF通过在连续空间中去噪生成离散token，显著提高生成速度和质量，展示了小规模模型的高效输出，降低了训练成本，未来有望推动AI生成速度提升。

艾伦人工智能研究所（Ai2）推出了一系列开源编码代理模型，性能优于同类产品。用户可以根据私有代码库进行微调，以提升特定任务的表现。新模型SERA-32B和SERA-8B在解决GitHub问题上表现出色，且训练成本显著低于传统方法。通过创新的软验证生成和多样化训练数据，Ai2旨在让强大的编码代理更易获取。

月之暗面推出的Kimi K2 Thinking模型以460万美元的训练成本，展现出与顶级AI模型相当的性能，颠覆了传统AI投资观念。中国AI产业通过高效策略和低成本实现快速创新，挑战美国的资本密集型模式，展现出新的竞争优势。

中国初创公司月之暗面推出的开源AI模型Kimi K2 Thinking在多项基准测试中超越GPT-5，训练成本仅为460万美元，显示出开源模型在性能与成本上的优势，可能改变全球AI竞争格局。

根据国际能源署，预计到2030年数据中心电力消耗将达到945太瓦时，超过大多数国家。AI芯片市场预计到2024年将达到1230亿美元，年增长率为33%。OpenAI和Anthropic等公司的估值大幅上升，但训练成本也在增加。基础设施层推动AI革命，应用层则实现经济价值。

DeepSeek-R1于9月17日登上《Nature》封面，成为首个经过同行评审的大模型。其训练成本仅为29.4万美元，远低于行业标准。研究表明，DeepSeek-R1-Zero在推理能力上表现出色，数学竞赛准确率提升至86.7%。该成果为AI研究提供了透明和规范的范例。

本文介绍了一种新型极简激活超级大脑模型，参数总数为142B，动态激活为14B，训练成本仅为Qwen2.5-72B的1/4。该模型在中文理解、数学推理和代码生成等任务中表现优异，并开源了训练过程，强调数据质量和系统创新的重要性。未来将探索稀疏注意力和模拟人类学习效率。

中国科学院计算技术研究所推出的LLaMA-Omni2是一个支持语音的大型语言模型，结合语音感知与语言理解，实现实时口语对话。该模型采用端到端流水线，训练成本低且具有模块化可解释性。在200K语音对话样本上训练后，LLaMA-Omni2的表现优于基线模型，证明高质量、低延迟的语音交互无需大量语料库。

斯坦福大学发布的《2025 AI Index》报告分析了人工智能的发展现状，指出美国在模型发布方面领先，中国迅速追赶。报告强调训练成本上升、推理成本下降，人工智能的碳足迹仍在增加。尽管企业投资持续增长，实际回报尚未显著。报告还提到人工智能在医疗领域的潜力，以及美国政策向州级转变。总体来看，公众对人工智能持乐观态度。

AIxiv专栏报道Liquid框架，该框架通过VQGAN将图像编码为离散视觉token，实现多模态生成与理解的统一。Liquid无需修改现有大语言模型，降低训练成本并保留语言能力，推动多模态智能发展。实验结果表明，Liquid在视觉生成和理解任务中表现优异，验证了多模态任务的互惠关系。