视频生成等多模态模型不断迭代升级，为多模态AI应用打下基础
思瀚产业研究院    2025-05-12

1、GPT-4o：发起图像生成领域技术革命

2025年3月26日，OpenAI正式推出GPT-4o原生图像生成功能，取代了此前的DALL-E3，成为ChatGPT和Sora平台的默认图像引擎。GPT-4o具备几大特点：精准文本渲染：GPT-4o首次解决了图像生成领域的“文字难题”，可精准生成Logo、菜单、路牌等含复杂文本的图像。例如，用户描述“印有OpenAI字样的T恤”，模型能准确呈现文字细节，甚至保留摄影倒影的真实感。

复杂指令执行：支持用户通过自然语言指定宽高比、色号、透明度等参数，并一次性处理10-20个对象的绑定关系。多模态深度整合：GPT-4o与Sora平台联动，用户可基于生成的图像进一步创作视频。艺术风格全覆盖：支持生成写实照片、手绘草图、漫画分镜等多种风格，一键生成吉卜力风格的图片，在海外社媒火爆出圈，ChatGPT一小时新增了百万用户。

2、即梦3.0：中文AI绘图领域的里程碑

字节跳动旗下视频生产模型即梦3.0于2025年4月3日开启灰度测试，并于4月7日全量上线。即梦3.0的图像生成支持2K分辨率（2560×1440像素）直出图像，相比Midjourney在16:9分辨率下仅1456×816像素的水平，其清晰度与细节展现更胜一筹。

中文文本生成能力方面，即梦3.0进步显著，以往版本中小字模糊、排版杂乱的难题得到解决，并且用户能通过自然语言轻松控制文字的颜色、大小、位置，甚至指定字体风格。光影与材质表现是即梦3.0的另一大亮点，它能够精准呈现“硬边光影切割、冷暖色调对比”等高级视觉效果，使得即梦3.0生成的图像不再有“塑料感”或“虚假感”，而是具备了真实摄影作品般的质感和深度。根据经纬洞见，在电商广告测试中，80%用户认为即梦3.0的成图“可直接商用”，而Midjourney作品仍需人工修改。此外，即梦3.0从输入提示到输出成品仅需数秒，极大提升了创意迭代的效率。

3、可灵2.0：定义文生视频领域人与AI交互的全新方式

根据快手科技数据，自2024年6月发布，截至2025年4月，可灵AI已累计完成超20次迭代，全球用户规模突破2200万，月活用户数量增长25倍。4月15日，可灵大模型2.0版本及可图大模型2.0版本正式面向全球发布。在文生视频领域，可灵2.0对比谷歌Veo2的胜负比为205%，对比Sora的胜负比达367%，在文字相关性、画面质量、动态质量等维度上显著超越对手。

特别的是，可灵2.0大师版全面升级视频及图像创作可控生成与编辑能力，上线全新的多模态视频编辑功能，能灵活理解用户意图。支持在一段视频的基础之上，通过输入图片或文字，对生成的视频内容实现元素的增加、删减、替换，帮助创作者们实现更加灵活的二次编辑和处理，精准实现AI创作者们的创意表达。

4、阶跃星辰Step-Video-TI2V：文生视频控制能力大幅提升

2025年3月，阶跃星辰开源了图生视频模型——Step-Video-TI2V，一款基于30B参数Step-Video-T2V训练的图生视频模型，支持生成102帧、5秒、540P分辨率的视频，具备运动幅度可控和镜头运动可控两大核心特点，同时天生具备一定的特效生成能力。

和目前已有开源图生视频模型相比，Step-Video-TI2V不仅在参数规模上对该领域的研究提供了更高的上限，其运动幅度可控能力，更是能够平衡图生视频生成结果的动态性和稳定性，为创作者提供更为灵活的选择。此外，Step-Video-TI2V支持对多种运镜的理解，可以对生成视频中的镜头运动进行精准控制，可以根据创作者需求生成大片级影片。

更多行业研究分析请参考思瀚产业研究院官网，同时思瀚产业研究院亦提供行研报告、可研报告（立项审批备案、银行贷款、投资决策、集团上会）、产业规划、园区规划、商业计划书（股权融资、招商合资、内部决策）、专项调研、建筑设计、境外投资报告等相关咨询服务方案。