在过去的2个月里，多模态大模型迎来了飞跃式的发展。虽然多模态对于语言模型智能的提升，目前还看不到，但是语言模型和多模态模型的融合，尤其是和图像、视频模型的融合，效果显著。随着创作生产力工具不断提升，未来创作者和IP生态，可能会迎来自己真正的大时代。

OpenAI GPT-4o文生图：基于自回归架构，实现真正的多模态统一

OpenAI于2025年3月25日正式推出了GPT-4o的图像生成功能，一时间吉卜力风刷屏朋友圈，OpenAI也被海量用户冲击的算力告急。GPT-4o的图像生成模型，是基于自回归的全新模型架构，相比于传统的基于扩散模型的图像生成，有着巨大的优势：

1. 精准渲染图像中的文字

GPT-4o在图像生成中成功攻克了文字渲染的难题，能够准确地在图像中呈现指定的文本内容。这使得用户可以轻松创建包含文字的图像，如菜单、邀请函和信息图等，满足多种设计需求。

2. 严格遵循复杂指令

GPT-4o能够理解并执行复杂的文本指令，支持多达10至20个不同元素的图像生成任务。这使得用户可以通过详细的描述，生成符合特定需求的图像内容，提升了创作的灵活性和精确性。

3. 多轮对话中的图像生成与编辑

GPT-4o支持在多轮对话中进行图像的生成和编辑，能够根据用户的反馈和修改建议，逐步优化图像内容。这为创作者提供了更高效的创作流程，使图像生成更加贴合用户的期望。

4. 利用上下文和知识库提升图像质量

GPT-4o在生成图像时，会结合其内置的知识库和对话上下文，作为灵感来源，提升图像的相关性和质量。这使得生成的图像更具现实感和逻辑性，满足更高层次的创作需求。

Google Veo 2与Gemini Flash 2.0：引领多模态生成新高度

Google在上个礼拜推出了Veo 2，能够根据文本提示生成高质量的视频内容，支持4K分辨率和多种电影风格的镜头效果。Veo 2还引入了inpainting和outpainting功能，允许用户对视频进行细致的编辑和扩展。此外，Google还发布了Gemini Flash 2.0 Image Generation，同样整合了自回归模型，极大提升了模型的可用性。

这一批多模态模型和2024年的Sora有什么不同？

最大区别，是自回归模型开始在图片生成中落地。通过逐步生成输出，自回归模型能够更好地捕捉上下文信息，实现更自然的生成效果。相比DiT架构，自回归有更强的序列建模能力、更好的生成过程灵活性与控制性、更高的生成过程的灵活性和更精确的控制性。同时，通过融合自回归和DiT扩散模型，也能综合DiT模型生成逼真度、全局图像质量的优势。

随着模型规模的扩大和训练数据的丰富，自回归模型将在生成质量和多模态融合方面继续取得突破，沿着scaling law，逐渐开始往短视频发展。今年更多是图像生成，2~3年可能就可以做到高可控的分钟级视频生成。2025年可能是真正意义上，内容生成领域AGI落地的元年。

国内的快手和字节也在多模态领域有比较多的动作：

快手可灵2.0：打造多模态视觉语言

昨天，快手发布了可灵2.0大师版，全面升级了视频及图像创作的可控生成与编辑能力，效果非常好。可灵也是目前当之无愧的视频生成的SOTA模型。

字节跳动豆包系列：推动多模态应用落地

除了快手，字节也是目前中国多模态模型的领军企业。豆包视频生成模型1.5版具备更长的视频生成能力，支持多角色演绎和方言转换。此外，豆包文生图模型2.1版本首次实现了精准生成汉字和一句话P图的产品化能力。这些模型的能力已通过即梦AI和豆包App开放给普通用户使用。

当创作工具不再有门槛，创作者和IP成了核心

多模态大模型的发展为创作者带来了前所未有的工具和平台，极大地降低了创作门槛。创作者可以通过简单的文本提示，生成高质量的图像、视频和音频内容，实现从概念到成品的快速转化。

随着模型对版权和内容安全的重视，创作者的原创内容将得到更好的保护，促进IP生态的健康发展。比如，字节就与上海电影展开了战略合作，而核心就是上海电影的《大闹天宫》《哪吒闹海》等众多经典IP。

创作工具的广泛普及，正在从根本上改变“谁能成为创作者”的定义。以往，一个创意从构想到上线往往需要多个角色的配合、复杂的流程和较高的成本门槛；现在，任何一个具备故事想法的人，都可以借助AI工具一步步构建自己的作品。这种创作民主化，不仅释放了大量的创意潜力，也在悄然推动“UGC→AIGC→U+AIGC”的范式演进。

在IP运营层面，多模态大模型也带来了“内容生命周期的延展”——经典角色可以通过AI“复活”在新场景中继续演绎。

简而言之，未来多模态大模型不只是“更好用的PS”或者“更聪明的剪辑工具”，而是会重构内容创作、分发和变现的整个链条。未来的创作者将不再是“单点作业”，而是掌握一套完整的AIGC生产力栈，配合着IP生态，创造巨大的商业价值。