2025 年 3 月 AI 新闻：GPT-4o、Gemini、DeepSeek 与 MCP

摘要

30 秒看懂

在这期 2025 年 3 月的新闻回顾中，Matthew Berman 讨论了 GPT-4o、Gemini 2.5 Pro 和 DeepSeek V3 的更新，以及 ARC-AGI-2、MCP 集成、图像模型和 QVQ-Max。他引用基准成绩及有关 OpenAI 财务的报道，并给出自己对速度和实用性的评价。排名、推出情况和预测都是当时的历史记录，并非当前状况。

1GPT-4o 更新Artificial Analysis 报告其所选指标的得分提高；Berman 还表达了自己对响应速度的担忧。
2Gemini 与 DeepSeekBerman 称赞 Gemini 2.5 Pro，并回顾 DeepSeek 更新后的 V3 检查点及其报告的基准成绩。
3更难的 ARC 基准ARC-AGI-2 的早期表格在特定任务和成本设置下比较了人工小组与 AI 系统。
4MCP 集成Zapier、OpenAI 和 Microsoft 当时正在增加对通用协议的支持，以便将模型连接到外部工具。
5QVQ-MaxQwen 推出视觉推理模型；所引用的公告无法证实 Berman 关于这个特定模型开放且可下载的说法。

要点建议

Artificial Analysis 报告称，2025 年 3 月的 GPT-4o 更新提高了其在所选智能和编程指标上的非推理模型得分。
Berman 称赞 Gemini 2.5 Pro 的编程速度，并介绍了开放权重的 DeepSeek-V3-0324 检查点发布。
ARC-AGI-2 发布时，受测 AI 系统的得分较低，并有人工小组作为对照，但单一基准不能证明通用智能。
Zapier、OpenAI 和 Microsoft 宣布或记录了 MCP 集成，用于将智能体连接到工具。
Berman 讨论了 Reve Image 1.0、Ideogram 3.0 和 QVQ-Max，但 QVQ-Max 公告不能证实他关于其权重可下载的说法。
他引用的 OpenAI 收入数字是 CNBC 报道的 2025 年预测，而非实际收入。

主题Foundation Models Benchmarks MCP Generative media AI research

全文

按章节阅读整理后的全文

对照原始文稿

只看原始文稿

GPT-4o 与 Gemini 更新

Berman 回顾更新后的 GPT-4o 及其基准成绩，同时提到延迟和图像生成限制。他称赞 Gemini 2.5 Pro 的编程能力和速度。

2025 年 3 月下旬，我回顾了一系列 AI 发布。Artificial Analysis 报告称，更新后的 GPT-4o 在其所选智能和编程指标上有所提升，在所比较的非推理模型中编程表现领先。这些分数只针对该评估机构的基准测试及当时可用的模型，并非涵盖所有任务的永久排名。

幻灯片 1 / 6Artificial Analysis 评 GPT-4o 更新画面中的帖子区分了智能指数与编程比较，并给出历史分数。

画面中的智能指数从 2024 年 11 月版本的 41 分升至 3 月更新版的 50 分，在该指数中仅次于新推出的 DeepSeek V3。我还讨论了对算力的高需求，并提到杰文斯悖论：更便宜或更高效的 AI 可能刺激更多使用。这是一种可能的需求反应，并不能证明每次效率提升都会增加总支出。

OpenAI 介绍了模型在遵循详细指令、技术和编程任务、创造力以及表情符号使用方面的改进。我提到更新模型正在向用户推出，而且在需求高涨之际，图像生成受到了限制。根据我的个人体验，普通 GPT-4o 查询也变慢了；这只是个人观察，并非受控的延迟比较。

Gemini 2.5 Pro 给我留下了深刻印象，尤其是它的编程表现和速度；我认为它是当时我亲自用过的最佳编程模型。该模型当时开始出现在 Windsurf 和 Cursor 等工具中。我想用自己的代码库测试它的 100 万 token 上下文窗口；仅凭窗口大，并不能证明模型能有效利用其中的每一部分。

DeepSeek 与 ARC-AGI-2

他讨论更新后的 V3 检查点及其报告表现，随后考察新的 ARC 基准及其早期人类与模型比较。

DeepSeek 也发布了 V3-0324 检查点。模型卡报告它比早期 V3 有改进，并列出 MIT 许可证；权重可以获取，但模型规模使本地运行要求很高。我重点介绍了它报告的编程和数学成绩，包括 AIME 2024，同时认识到开发者选择的基准与设置并不能全面衡量表现。

幻灯片 2 / 6DeepSeek-V3-0324 模型卡模型卡列出了更新后的检查点名称及 MIT 许可证。

幻灯片 3 / 6ARC-AGI-2 早期排行榜表格比较人工小组和受测 AI 系统，包括得分和每项任务的估计成本。

ARC Prize 推出了 ARC-AGI-2，作为一项更难的测试，考察系统适应新视觉模式的能力。视频展示的早期表格列出 o3 low 在 ARC-AGI-2 上得分为 4%，在 ARC-AGI-1 上为 75.7%；人工小组分别为 100% 和 98%。这些数字描述的是特定早期评估和小组，而非所有人或未来所有模型。

表格显示，o3 low 每项任务的估计成本为 200 美元，人工小组为 17 美元。我还在口述时将 o1 high 的成本误读为 445 美元；画面中的表格实际写的是 4.45 美元。我喜欢这个基准，因为它要求系统从示例中推断转换规律；但我称它为完美的 AGI 测试只是一种观点：单一基准无法确立通用智能。

一个例子使用彩色网格：解题者查看输入和输出的配对，推断规律，再将其应用到新输入。ARC Prize 报告称，每个 ARC-AGI-2 任务都至少有两人能在两次尝试内解决。这种任务筛选过程有助于理解人类对照结果，并不意味着每个人都觉得每道题很容易。

MCP 与图像模型

Berman 介绍 MCP 的早期集成，并回顾 Reve 和 Ideogram 发布的图像生成模型。视觉示例和排名反映的是特定时间的情况。

Zapier 宣布了 MCP 集成，可以将其连接的应用提供给 AI 智能体。OpenAI 的 Agents SDK 和 Microsoft 的 Copilot Studio 也记录了对 MCP 的支持。我认为，用通用协议将模型连接到工具和上下文是一项重要进展；具体集成、权限和可用工具取决于服务及其配置。

幻灯片 4 / 6Agents SDK 中的 MCP画面中的文档介绍如何通过 MCP 将智能体连接到外部工具和上下文。

图像生成是那一周的另一个重要话题。我展示了 Reve Image 1.0 的示例，并提到它在 Artificial Analysis 用户投票排名中的位置。我还讨论了 Ideogram 3.0：该公司报告了较高的 Elo 评分，并提供混合、放大和风格等功能。这些是经过挑选的示例和特定时间的评估，并不能证明每张生成图像或其中的文字都准确。