OpenAI GPT-4 custom model
GPT-4 custom model 指 OpenAI 于 2024 年 4 月 14 日扩展的 Custom Models 计划：由 OpenAI 专职研究团队与合作机构共同打造面向特定领域的 GPT-4 定制模型，能力超出自助式 fine-tuning API。它分为两个层级：Assisted Fine-Tuning（辅助微调）在更大规模上应用额外超参数与 PEFT 等参数高效微调方法，并提供训练数据管道、评估系统与定制配置的支持；Custom-Trained Model（完全定制训练）则修改 mid-training 与 post-training 等关键训练步骤，用百万级样本或数十亿 token 的专有数据从零构建模型。官方案例数据：SK Telecom 定制的 GPT-4 在韩语电信客服任务上对话摘要质量提升 35%，意图识别准确率提升 33%，满意度从 3.6 分升至 4.5 分（满分 5 分）；Harvey 基于约 100 亿 token 法律数据定制的模型事实性回答提升 83%，律师对其输出的偏好率达 97%（对比 GPT-4）。该计划适合拥有大量专有数据与高度专业场景的机构。
2024年4月14日 OpenAI Voice Engine
Voice Engine 是 OpenAI 的语音克隆（voice cloning）模型，输入文本并配合一段约 15 秒的真实语音样本，即可生成与原说话人音色高度接近、富有情感的自然语音，翻译成其他语言时还能保留说话人的原生口音。这是一个 2022 年底就开发完成的小型模型，已在后台支持 OpenAI text-to-speech API 的预置音色以及 ChatGPT Voice 和 Read Aloud。2024 年 3 月 29 日 OpenAI 公布该模型，但仅以 small-scale preview 形式向少数可信合作方开放，早期应用包括儿童与不识字者的阅读辅助、视频与播客配音翻译、为失语人士提供沟通支持、帮助失去语言能力的患者恢复声音等。官方要求合作方获得说话人明确授权并向听众披露 AI 生成，同时采用音频水印与主动监控等安全措施，更大范围的公开发布尚未进行。
2024年3月29日 Anthropic Claude 3 Haiku
Claude 3 Haiku 是 Anthropic 于 2024 年 3 月发布的 Claude 3 家族中最快、最便宜的模型，支持 200K token 上下文窗口和视觉输入，定价为每百万 token 输入 $0.25、输出 $1.25，官方称其成本约为同性能档其他模型的一半。官方表示它在绝大多数负载下速度约为同级模型的三倍，32K token 以内的 prompt 处理速度可达每秒约 21K token，适合客服、即时对话、并行处理大量小任务以及大规模文档与图片分析等场景。
2024年3月13日 ElevenLabs Eleven English v2
Eleven English v2（模型 ID eleven_english_v2）是 ElevenLabs v2 代模型家族中的单语（monolingual）英语 TTS 模型，与 Eleven Multilingual v2 同期推出。官方 changelog 称其为 advanced 的英语模型：2023 年 11 月平台上线 Speech to Speech 变声功能时即由它驱动，可将上传音频的内容与风格迁移到所选音色，并向全部用户开放，适合英文旁白、配音、有声书与角色音频等更看重英语表现而非多语言覆盖的场景。2024 年 2 月 Multilingual Speech to Speech 在语音转换上取代了它，目前该模型已从官方现行模型列表中下线，由 Flash v2、Multilingual v2 等后续模型接替。
2024年3月7日 ElevenLabs Eleven Flash v2
Eleven Flash v2（模型 id 为 eleven_flash_v2）是 ElevenLabs 速度最快的文本转语音（TTS）模型，面向低延迟的实时语音对话与 voice agent 场景。官方标称约 75ms 的语音生成 latency（另加应用与网络耗时），以略低于 Turbo 模型的音质和情感表现换取显著更低的延迟；在官方人工标注盲测中，其评分持续领先同类超低延迟模型。该版本仅支持英语（多语言版本为 Flash v2.5，支持 32 种语言），价格为每 2 个字符 1 credit，可通过 API 或 Conversational AI 平台接入，适合实时语音交互类应用。
2024年3月7日 ElevenLabs Eleven Turbo v2
Eleven Turbo v2（eleven_turbo_v2）是 ElevenLabs 的低延迟文本转语音（TTS）模型，发布时被定位为其速度最快的模型：语音生成 latency 约 400ms，速度是 V1 系列的两倍以上，质量与 Multilingual V2 持平，并新增面向 VoIP 的 mulaw 8kHz 输出，适合响应速度敏感的实时语音场景。官方文档现已将其列为英文模型并标记为 deprecated，低延迟场景建议改用更新的 Flash 系列。
2024年3月7日 Ideogram 1.0
Ideogram 1.0 是 Ideogram 于 2024 年 2 月发布的文生图模型版本，从零开始训练，发布时为该团队最先进的版本。它的核心亮点是可靠的 text rendering：官方系统性评测显示，图像内渲染文字的错误率较已有模型降低近一半。同时它在 photorealism、对长而复杂的 prompt 的遵循度上表现更好，并支持多种宽高比与风格。新增的 Magic Prompt 助手可自动增强、扩写和翻译 prompt。在参照 DALL·E 3 评测协议的测试中，人类评审在 prompt 对齐、图像连贯性、总体偏好和文字渲染质量上均更偏好该模型而非 DALL·E 3 与 Midjourney V6。适用场景包括海报、logo、梗图、T 恤图案、生日贺卡等需要图文结合的设计。
2024年2月28日 OpenAI Sora
Sora 是 OpenAI 于 2024 年 2 月 15 日公布的视频生成模型，走世界模拟器路线：先用视频压缩网络把原始视频映射到低维 latent 空间，再由 diffusion transformer 在 spacetime patches 上进行扩散训练，因此支持可变时长、分辨率与宽高比。它能生成长达 1 分钟的高清视频，横屏 1920x1080p、竖屏 1080x1920 等格式均可，也接受图像和视频 prompt，可完成静态图动画化、视频前后向延展、零样本风格与环境转换等编辑任务。官方称其初步显现 3D 一致性、物体恒存性等模拟能力，甚至可零样本模拟 Minecraft 世界，同时承认对玻璃碎裂等基础物理交互的建模仍不准确。该模型适合视频内容创作、快速内容原型验证以及世界模拟方向的研究，2024 年 12 月起向 ChatGPT Plus 和 Pro 用户开放。
2024年2月15日 Anthropic Claude 2.1
Claude 2.1 是 Anthropic 于 2023 年 11 月 21 日发布的对话模型升级版，通过 API 与 claude.ai 提供。它将 context window 扩大到 200,000 token，约合 500 页文档，支持长文档摘要、问答、趋势预测与多文档对比，完整 200K 上下文面向 Claude Pro 用户开放。官方数据显示，相较 Claude 2.0，其虚假陈述减少约 2 倍，理解与摘要任务的错误回答降低 30%，误判文档支持某一论断的概率降低 3 至 4 倍。该版本还引入 system prompt 与 beta 版 tool use，可调用开发者自定义函数、API 与私有知识库，适用于企业级长文档分析、检索流程与工具集成场景。
2023年11月21日 OpenAI DALL·E 3
DALL·E 3 是 OpenAI 的第三代 text-to-image 模型，先面向 ChatGPT Plus 与 Enterprise 用户开放，并在 2023 年 11 月 6 日 DevDay 上以模型名 dall-e-3 通过 Images API 向开发者开放。它基于 ChatGPT 构建，可把一句话想法自动扩写成详细 prompt，官方称其对文字的理解在细微差别与细节上明显超过前代系统，即使 prompt 相同，生成图像与描述的贴合度也优于 DALL·E 2。API 内置 moderation 机制以防滥用，提供多种格式与质量选项，每张图片 0.04 美元起，Snap、Coca-Cola、Shutterstock 等公司已用它为客户和营销活动批量生成图像与设计。适用于 ChatGPT 内的对话式图像创作、营销素材制作与应用内的程序化生图。
2023年11月6日 OpenAI GPT-4 Turbo
GPT-4 Turbo 是 OpenAI 于 2023 年 11 月 6 日 DevDay 上发布的 GPT-4 升级版模型。它将 context window 扩大到 128K token，单次 prompt 可容纳相当于 300 多页文本，知识截止更新至 2023 年 4 月，输入 token 价格比 GPT-4 便宜 3 倍、输出便宜 2 倍。新版本增强了指令遵循与 function calling，支持在单条消息中并行调用多个函数，新增 JSON mode（通过 response_format 参数约束输出为合法 JSON），并可通过 seed 参数获得可复现输出。该模型还能在 Chat Completions API 中接受图像输入（vision），发布时以 gpt-4-1106-preview 面向付费开发者开放，适合长文档分析、结构化输出、工具调用与视觉理解类应用。
2023年11月6日 OpenAI GPT-4 Turbo with Vision
GPT-4 Turbo with Vision 是 OpenAI 于 2023 年 11 月 6 日在首届 DevDay 上公布的 GPT-4 Turbo 图像理解版本，API 中通过 gpt-4-vision-preview 调用。它在 GPT-4 Turbo 的 128K token 上下文窗口、更强指令遵循、JSON mode 和并行 function calling 基础上，让 Chat Completions API 可以直接接收图像输入，适用于生成图片描述、细粒度真实图像分析和阅读含图表的文档等场景。官方定价示例显示 1080x1080 像素图像单次传入成本 $0.00765，且相比 GPT-4 输入 token 便宜 3 倍、输出 token 便宜 2 倍。OpenAI 表示后续会将 vision 能力并入主力 GPT-4 Turbo 稳定版本。适合视觉问答、文档解析以及 BeMyEyes 这类无障碍辅助等多模态应用。
2023年11月6日 Ideogram 0.2
Ideogram 0.2 是 Ideogram 于 2023 年 11 月 2 日发布的文生图（text-to-image）模型版本，是其早期模型线的第二次迭代。据官方公告，相比 0.1 它显著提升了图像质量，文字渲染（text rendering）更准确自然，并以更快的生成速度呈现写实细节。发布后即成为 ideogram.ai 上的默认模型，v0.1 仍可使用，用户可通过 remix 在两个版本间来回切换。适合需要在图像中呈现清晰文字的设计场景，例如海报、标志与标牌。
2023年11月2日 Ideogram 0.1
Ideogram 0.1 是 Ideogram 平台的首个文生图模型，随公司 2023 年 8 月上线以公测形式推出。Ideogram 由曾主导 Denoising Diffusion Models 与 Google Imagen 文生图系统的前 Google Brain 研究人员创立，该模型根据 text prompt 生成图像，擅长在画面中渲染清晰可读的文字，适合海报、logo 等设计场景，发布初期向早期用户开放免费生成。
2023年8月22日 OpenAI GPT-3.5 Turbo
GPT-3.5 Turbo 是 OpenAI 低价、快速的通用文本对话模型，gpt-3.5-turbo 系列支撑着 ChatGPT 免费版。2023 年 8 月 22 日 OpenAI 开放其 supervised fine-tuning：官方称微调后的模型在特定窄任务上可媲美甚至超越 base GPT-4 水平，指令遵循更稳定，输出格式（如 JSON）更一致，还能定制品牌语气；早期测试者最多将 prompt 缩短 90%，训练数据支持 4k token，是此前 fine-tuned 模型的两倍。定价为训练 $0.008/1K token，使用输入 $0.012、输出 $0.016/1K token，function calling 与 16k 上下文版本的 fine-tuning 稍后开放。训练数据经 Moderation API 与 GPT-4 驱动的审核系统筛查，不会被 OpenAI 用于训练其他模型。
2023年8月22日 Anthropic Claude Instant 1.2
Claude Instant 1.2 是 Anthropic 于 2023 年 8 月 9 日发布的快速、低价且能力依然全面的模型版本，吸收了 Claude 2 的部分能力。相比 Claude Instant 1.1，它在数学、编码与推理上进一步提升：Codex 评测得分 58.7%（1.1 为 52.8%），GSM8K 得分 86.7%（1.1 为 80.9%）；输出更长、更有条理，能更可靠地遵循格式指令，引用提取、多语言与问答能力也有改善。自动化 red-teaming 评测显示其幻觉更少、对 jailbreak 的抵抗力更强。适用于日常对话、文本分析、摘要与文档理解等场景，可通过 Anthropic API 使用。
2023年8月9日 ElevenLabs Eleven Multilingual v2
Eleven Multilingual v2 是 ElevenLabs 于 2023 年 8 月随平台正式结束 beta 一同发布的基础级 multilingual TTS 模型，支持近 30 种语言。它能自动识别输入语言，生成富有情感层次的语音，并在所有语言中保持说话人的独特音色与原始口音，还可搭配 Professional Voice Cloning 使用。官方文档将其描述为最具真实感、情感表达丰富、long-form 生成最稳定的模型，适合有声书、游戏与动画角色配音、dubbing、企业视频、e-learning、无障碍阅读等 multilingual 场景。
2023年8月1日 Anthropic Claude 2
Claude 2 是 Anthropic 于 2023 年 7 月 11 日发布的第二代对话模型，支持单次输入最多 100K token 的 context window，可整本处理书籍或数百页文档，输出长度也更长。官方公布其在 Codex HumanEval（Python 编码，71.2%）、GSM8k 小学数学（88.0%）与律师资格考试多选题（76.5%）上的成绩均较 Claude 1.3 提升，GRE 阅读写作超过 90 百分位。模型上线 claude.ai 公开网页对话，并以与 Claude 1.3 相同的价格开放 API，适合编码辅助、长文档分析、数学推理与长文写作等场景。
2023年7月11日 ElevenLabs Eleven Multilingual v1
Eleven Multilingual v1 是 ElevenLabs 推出的首个 multilingual TTS（文本转语音）模型，在英文版 Eleven Monolingual v1 的基础上新增法语、德语、印地语、意大利语、波兰语、葡萄牙语和西班牙语七种语言。它保留了原版基于上下文的表达方式，能贴近真实地传递语气与情感，并可识别输入文本的语言，在同一 prompt 中生成多种语言的语音，官方仍建议使用单一语言的 prompt 以获得最佳效果。模型兼容 Instant Voice Cloning 与 Voice Design，克隆音色在不同语言间可保持原有的说话特质和口音。需注意数字、缩略词和外语词有时会被读成英语，建议用目标语言拼写。单次请求上限为 10,000 字符，发布时对所有订阅计划开放，适合有声书、故事叙述和多语言配音等场景。
2023年6月7日 Anthropic Claude
Claude 是 Anthropic 于 2023 年 3 月 14 日推出的首个公开 AI 助手模型，源自其在 helpful、honest、harmless AI 训练方面的研究与 constitutional AI 方法。它面向对话与文本处理任务，可承担 summarization、search、创意与协作写作、Q&A 及 coding 等工作，首发同时提供高性能旗舰 Claude 与更轻量、更快速、成本更低的 Claude Instant 两个版本，通过聊天界面和 developer console 中的 API 开放。早期客户反馈其有害输出更少、更易交流，并能通过 personality、tone、behavior 指令定制输出风格。
2023年3月14日 
