这或许是对2025年大模型行业的最全面总结。
来自社交会议目录Lanyrd联合创始人、Django Web框架联合创建者Simon Willison发表的最新文章《2025: The year in LLMs》。
作为资深业内人士，他系统回顾了2025年大模型行业的整体发展脉络，核心观点包括：
- 2025年是“中国开源”与“美国闭源”的竞争之年。GLM-4.7、Kimi K2 Thinking等国产模型在全球影响力显著提升。
- 2025年是OpenAI失去技术领先优势、谷歌迎头赶上的一年。Gemini 3.0与Nano Banana在多项能力上超越GPT-5系列，“整个行业已追了上来”。
- 2025年，Coding Agent与Claude Code成为大模型价值落地的关键路径，开发者甚至编程新手均可通过vibe coding方式提升10倍生产力。
文章还深入剖析了推理、智能体等技术范式演进，并对“Llama走偏”“MCP昙花一现”“AI垃圾（slop）”等年度热点话题作出专业评述。
推理之年
2024年9月，OpenAI通过o1与o1-mini正式开启“推理（reasoning）”范式革命，即推理时扩展（inference-scaling）或可验证奖励强化学习（RLVR）。2025年初，o3、o3-mini与o4-mini进一步巩固该方向。“推理能力”由此成为主流AI实验室模型的核心标志。
Andrej Karpathy指出：在数学、代码等可自动验证的任务中，通过RLVR训练的大语言模型能自发涌现类似人类的推理行为——反复推敲、多策略尝试、逐步逼近答案。
RLVR具备极高性价比，迅速分流大量预训练算力。2025年多数能力突破本质是各实验室消化该范式红利的结果：模型参数量未显著增长，但强化学习（RL）训练时长大幅增加。
所有主流AI实验室均发布至少一款推理模型；部分推出混合型架构，支持推理/非推理模式切换；多数API模型配备“推理强度”调节旋钮。
推理能力真正的价值在于驱动工具：具备工具调用能力的推理模型可对多步骤任务进行动态规划、执行与结果反馈，实时调整策略以达成目标。
典型成果包括：AI辅助搜索效果显著提升，ChatGPT中GPT-5 Thinking已可有效解答复杂研究型问题；代码调试能力大幅增强，模型能从错误出发逐层穿透大型代码库定位根因。
智能体之年
年初作者曾预测“智能体不会真正出现”，因2024年业内对“智能体”定义混乱、落地案例稀缺，且LLM取代人类员工仍属科幻范畴。
9月，作者给出简洁定义：“智能体即为达成目标而循环调用工具的大语言模型”。以此为基础，智能体时代已实质性到来。
当前最具突破性的两大应用领域为编程与搜索。
深度研究（Deep Research）模式曾流行于上半年，但随着GPT-5 Thinking及谷歌“AI mode”能在更短时间内产出同质结果，其热度已下降；但仍适用于特定长周期信息整合场景。
相较而言，“编程智能体（coding agents）”影响力更为深远。
编码智能体与Claude Code之年
2025年最具影响力的事件发生于2月：Anthropic低调发布Claude Code。此举甚至未单独发文，仅作为Claude 3.7 Sonnet公告中的第二项内容。
Claude Code是编码智能体的代表性范式：系统可编写代码→执行→检查结果→迭代优化，形成闭环。
2025年，主流实验室纷纷推出CLI编程智能体，包括：
- Claude Code
- Codex CLI
- Gemini CLI
- Qwen Code
- Mistral Vibe
其他选择还包括GitHub Copilot CLI、Amp、OpenCode、OpenHands CLI及Pi；Zed、VS Code、Cursor等IDE亦加速集成编程智能体功能。
作者自2023年初使用ChatGPT代码解释器起接触该范式；2025年9月Anthropic上线“使用Claude创建和编辑文件”功能；10月基于同一沙箱推出Claude Code网页版，此后成为其每日主力工具。
Claude Code网页版属异步编程智能体：用户下达指令后即可离线等待，系统独立完成任务并提交拉取请求。OpenAI Codex web与Gemini Jules亦于2025年5月同步上线。
异步编码智能体既规避了本地运行任意代码的安全风险，又支持多任务并发操作，手机端几分钟内即可获得可用结果，体验高效直观。
LLM走向命令行之年
2024年作者长期打磨LLM命令行工具，曾困惑于CLI为何未成主流。终端与Unix管道机制天然契合，但彼时开发者接受度有限。
Claude Code及其同类工具证实：当模型足够强大、交互机制合理，开发者完全愿意在命令行中使用LLM。
当LLM能直接生成正确命令时，语法晦涩的终端指令不再构成使用门槛。
截至2025年12月2日，Anthropic透露Claude Code年化营收已达10亿美元——一个CLI工具实现近十亿级规模，远超预期。
中国开源模型登顶之年
2024年，Qwen 2.5与早期DeepSeek崭露头角，但尚未达到全球领先水平。2025年局面剧变：作者在「ai-in-china」标签下发布67篇文章，尚遗漏GLM-4.7、MiniMax-M2.1等关键发布。
截至2025年12月30日，Artificial Analysis开源模型排行榜显示：
GLM-4.7、Kimi K2 Thinking、MiMo-V2-Flash、DeepSeek V3.2、MiniMax-M2.1均为国产开源模型；排名最高的非中国模型为OpenAI gpt-oss-120B（high），位列第六。
这场革命起点可追溯至2024年圣诞节发布的DeepSeek 3（训练成本约550万美元）。2025年1月20日DeepSeek R1发布，引发全球AI与半导体板块剧烈震荡，英伟达单日市值蒸发约5930亿美元。
虽股价迅速回升并创历史新高，但一个开源模型撼动全球科技资本格局的历史时刻已载入史册。
紧随DeepSeek之后，一批实力雄厚的中国AI实验室集体崛起，重点包括：
- DeepSeek
- Alibaba Qwen（Qwen3）
- Moonshot AI（Kimi K2）
- Z.ai（GLM-4.5/4.6/4.7）
- MiniMax（M2）
- MetaStone AI（XBai o4）
多数模型采用OSI认证协议完全开源：Qwen主推Apache 2.0，DeepSeek与Z.ai采用MIT协议。部分模型性能已可与Claude 4 Sonnet、GPT-5正面竞争。
遗憾的是，中国实验室尚未公开完整训练数据与训练源代码，但持续发表高质量论文，在高效训练与推理优化等前沿领域贡献突出。
长任务之年
METR近期发布的一张图表揭示了LLM在软件工程任务中的长时程能力跃迁：横轴为人类需耗时5小时完成的任务，纵轴为模型以50%成功率完成的时间跨度。
数据显示：GPT-5、GPT-5.1 Codex Max与Claude Opus 4.5已可稳定处理需人类数小时完成的任务，而2024年最强模型上限仍为30分钟以内。
METR据此提出：“AI可完成任务时长每7个月翻倍。”该规律未必长期成立，但直观呈现了智能体能力指数级演进趋势。
“一句话修图”的时代来临
2025年3月，ChatGPT上线全新图像编辑功能——用户上传照片后，仅需自然语言提示即可精准修改，无需专业设计知识。该功能一周内带来1亿次注册，峰值单小时新增账号100万个。
“吉卜力化”等风格迁移玩法在社交媒体病毒式传播。
OpenAI随后发布API版本gpt-image-1；10月推出轻量版gpt-image-1-mini；12月16日上线大幅升级的gpt-image-1.5。
开源阵营中，阿里巴巴Qwen于8月4日发布Qwen-Image生成模型，8月19日推出可在家用电脑运行的Qwen-Image-Edit；11月与12月底再推Qwen-Image-Edit-2511与Qwen-Image-2512。
谷歌Nano Banana系列（Gemini 2.5 Flash Image）引爆行业：8月26日正式亮相，11月发布Nano Banana Pro，首次实现准确文字生成与高信息密度图表输出，成为专业级视觉生产力工具。
Anthropic至今未在Claude中集成图像功能，侧面印证其专注办公级AI工具的战略取向；但Nano Banana Pro已证明：PPT制作、视觉素材生成等高频需求，正成为大模型落地刚需。
模型在学术竞赛中斩获金牌之年
2025年7月，OpenAI与Google Gemini推理模型在国际数学奥林匹克竞赛（IMO）中达到金牌水平。IMO题目专为赛事原创，几乎不可能出现在训练数据中，且解题全程未接入外部工具，纯靠模型内部知识与token级推理完成。
9月，二者在国际大学生程序设计竞赛（ICPC）中再次达成同等成就：题目新颖未公开，模型可使用代码执行环境，但无互联网访问权限。
虽具体参赛模型版本尚未公开，但Gemini Deep Think与OpenAI GPT-5 Pro已具备接近能力。
Llama走偏之年
2024年属Llama之年：Llama 3.1与3.2推动开源模型能力飞跃。但2025年4月发布的Llama 4令人失望——Llama 4 Scout（109B）与Maverick（400B）体积过大，即便量化后亦无法在64GB内存Mac上运行。
其训练基座Llama 4 Behemoth（2T）已遭遗忘，从未对外发布。
LM Studio与Ollama平台数据显示：Meta无一款模型进入最受欢迎榜单前列，Llama 3.1虽仍存，但位置边缘化。
年内关于Meta的AI新闻更多聚焦于内部权力博弈与Superintelligence Labs挖角动作，Llama后续路线不明，开源权重策略是否延续亦成疑问。
OpenAI失去领先优势之年
2024年OpenAI仍为无可争议领跑者。2025年，行业整体追赶提速，其领先优势被全面挑战：
- 图像领域：Nano Banana Pro持续压制
- 代码生成：Opus 4.5略优于GPT-5.2 Codex
- 开源模型：gpt-oss系列已落后于中国实验室
- 音频能力：Gemini Live API构成威胁
OpenAI唯一稳固优势在于消费者心智——ChatGPT已成为LLM代名词，用户规模远超Gemini与Claude。
面对Gemini 3带来的压力，OpenAI于2024年12月启动“红色警戒”，暂停非核心项目，集中资源应对直接竞争。
Gemini崛起之年
谷歌Gemini经历成功一年：相继推出Gemini 2.0、2.5与3.0，全系列支持音视频图文跨模态输入，上下文容量超100万tokens，性能逐代提升，定价极具竞争力。
重磅产品包括：Gemini CLI（开源命令行编程智能体，后被通义千问分叉为Qwen Code）、异步编程智能体Jules、AI Studio持续优化、Nano Banana图像模型、Veo 3视频模型、Gemma 3开源权重系列及多项细分功能更新。
谷歌最大优势在于底层硬件：自研TPU在训练与推理中表现卓越，成本结构优于依赖NVIDIA GPU的竞对。当GPU算力成为主要成本瓶颈时，拥有自研、优化且低成本硬件堆栈的对手令人生畏。
Gemini之名源自DeepMind与Google Brain合并，恰如其分映射公司组织基因。
鹈鹕骑自行车之年
作者自2024年10月起测试LLM生成“鹈鹕骑自行车”SVG矢量图，2025年该冷笑话演变为行业隐性能力标尺。
尽管训练数据中几乎不存在相关样本，但模型绘制质量与其综合能力呈正相关——该测试曾亮相Google I/O主旨演讲、Anthropic可解释性论文及OpenAI总部GPT-5发布会视频。
作者认为实验室不会专门为此训练模型，因即使最先进模型生成的鹈鹕插图依然拙劣，但其已成为观察模型底层推理能力的有趣切口。
开发110个工具之年
作者2025年在tools.simonwillison.net累计构建110个AI辅助HTML+JavaScript工具，全部采用vibe coding方式完成。
代表工具包括：
- blackened-cauliflower-and-turkish-style-stew：专为同步烹饪Green Chef黑椒菜花与土耳其鹰嘴豆炖菜设计的定制计时器
- is-it-a-bird：基于Transformers.js加载150MB CLIP模型，实时判断摄像头画面是否为鸟类
- bluesky-thread：支持“最新发布优先”的Bluesky讨论串跟踪工具
其他高频使用工具包括svg-render、render-markdown、alt-text-extractor及隐私友好的localStorage分析工具。
vibe coding之年
2025年2月，Andrej Karpathy提出“vibe coding”概念：一种近乎忘却代码存在的新型编程方式——仅凭直觉提示，交由LLM完成编码、执行、调试全过程，开发者聚焦目标而非语法细节。
该方式依赖强推理模型（如Claude Sonnet+Cursor Composer）与语音交互（如SuperWhisper），特征为“点全部接受”“复制粘贴报错”“绕过难题直至解决”，适用于快速原型开发。
作者强调应守护原意：“vibe coding”特指低认知负荷、高直觉驱动的原型阶段，而非泛指所有AI辅助编程。专业开发仍需交付经验证的可靠代码。
MCP之年（或许是唯一一年）
Anthropic于2024年11月推出模型上下文协议（MCP），旨在统一工具调用标准。2025年初获爆发式采纳：OpenAI、Anthropic、Mistral于5月8日内相继宣布API级支持。
MCP兴起源于时机成熟——模型工具调用可靠性提升，部分企业将其视为快速落地AI战略的捷径。
但编程智能体的进化正使其边缘化：Bash命令已能满足绝大多数需求，CLI工具（如gh）与库（如Playwright）实际体验优于MCP封装方案。
Anthropic年末转向更轻量的Skills机制（Markdown文件+可选脚本），并于12月18日升级为开放格式；MCP则于12月初捐赠予Agentic AI基金会。
AI深度赋能浏览器之年
OpenAI推出ChatGPT Atlas（由前Chrome核心工程师主导），Anthropic推广Claude in Chrome扩展，Chrome浏览器右上角已嵌入“Gemini”按钮。
当前功能仍限于网页内容问答，尚未实现自动执行任务。安全风险尤为突出：浏览器掌控用户最敏感数据，提示注入攻击仍是“前沿且未解决”的安全问题。
作者谨慎试用后认为：浏览器智能体虽慢且笨拙，但在API不可达场景下确有实用价值；对其广泛部署仍持审慎态度。
在手机上编程之年
作者2025年在手机上编写代码量远超电脑端：110个HTML工具多由iPhone端Claude Artifacts、ChatGPT或Claude Code生成，结果直接复制至GitHub网页编辑器或审查合并PR。
11月起，Claude Opus 4.5可靠性提升，作者开始用手机完成生产级任务，如将JustHTML解析器从Python移植至JavaScript、将MicroQuickJS C库移植至Python——全程在iPhone上使用Claude Code完成。
虽尚未直接用于高危生产环境，但已具备处理可信JavaScript代码的能力，配合自有测试套件建立基础信心。
本地模型表现出色，但云端模型更胜一筹之年
2024年底Llama 3.3 70B重燃本地运行热情；2025年1月Mistral Small 3（24B，Apache 2.0）以三分之一内存消耗实现同级性能，让GPT-4级别体验真正落地上笔记本。
中国实验室在20B–32B黄金参数区间持续刷新性能上限，离线工作成为可能。
但顶级云端模型进步更快：100B+参数模型虽可免费获取，却远超本地设备承载能力。
编程智能体对模型推理能力与上下文窗口稳定性要求极高，目前尚无本地模型能可靠支撑Bash工具链闭环。作者新购笔记本将配置128GB内存，以迎接2026年更强开源模型；现阶段仍以云端托管模型为主力。
垃圾内容泛滥之年
“Slop”（人工智能批量生成的低质量数字内容）被韦氏词典评为2025年度词汇。
作者2024年5月推广该词，后获《卫报》《纽约时报》引用。它精准传达业界共识：抵制低质AI内容，捍卫信息价值。
作者保持审慎乐观：互联网历来充斥噪音，优质内容筛选与放大机制始终是关键；内容策展能力比以往任何时候都更重要。