#多模态

Sora 是 OpenAI 的文本生成视频模型，能生成长达一分钟的高质量视频；从 2024 年 2 月研究预览到纳入 ChatGPT 产品体系，Sora 的扩散模型架构与未解的物理模拟局限都值得梳理。

36氪AI测评发布2026双强选型指南，从多模态创作、逻辑推理、上下文窗口、生态整合、成本、合规六大维度深度对比豆包与DeepSeek。豆包领跑全场景多模态与流量生态，DeepSeek稳居复杂推理与私有部署榜首。

Meta 7 月 7 日发布 Muse Image 与 Muse Video，分别面向图像与视频生成的 Muse 系列新模型，与 Muse Spark（多模态理解/推理）协同构成"理解 + 生成"多模态矩阵，延续"开源 + 前沿"双轨策略。

月之暗面 7 月 16 日发布 Kimi K3：2.8 万亿参数、原生多模态、1M token 上下文，专为长程编程、知识工作与深度推理打造；ARR 已超 2 亿美元，K3 巩固其国产长上下文模型领先地位。

Runway 6 月 25 日发布 Agent 2.0，这是其创意 AI Agent 产品线的重大升级，用户以自然语言描述需求，Agent 在视频、图像、音频间跨模态生成、编辑与迭代；标志 Runway 从"视频生成模型公司"向"创意 AI 平台"战略转型。

快手可灵 AI 发布 KlingAI 3.0 系列，官方口号"All in One, One for All"；VIDEO 3.0 与 Omni 原生支持深度多模态指令解析与跨任务整合，实现视觉身份与声音语调的双重绑定。

Meta 7 月 9 日通过 Meta 模型 API 发布 Muse Spark 1.1，这是其"个人超级智能"方向旗舰模型的升级版；首版 4 月 8 日发布，与 7 月 7 日发布的 Muse Image、Muse Video 共同构成 Meta 多模态生成矩阵，延续"开源 + 前沿"双轨策略。

月之暗面 7 月 27 日开源 Kimi K3，全球首个开放的 3T 级参数模型（2.8 万亿），采用 MoE 架构、原生视觉能力、100 万 token 上下文；上线即登顶 Hugging Face 趋势榜，被海外开发者称为"本地版 Fable 5"，马斯克亦公开点赞。

MiniMax 6 月发布 Speech 2.8 语音模型与 Music 3.0 音乐模型，均通过 platform.minimax.io 提供 API；与 M3、H3 一起构成多模态矩阵，显示其在 C 端娱乐与 B 端 API 双线的商业化布局。

ElevenLabs 2025 年 11 月 17 日发布 ElevenLabs Image & Video，标志这家语音 AI 公司正式进入图像与视频生成领域，从"语音单模态"扩展为"多模态创作平台"，用户可在同一平台完成图像、视频与语音协同创作。

DeepSeek 识图模式在网页和App端正式上线，采用 Thinking with Visual Primitives 框架，与"快速模式""专家模式"并列，标志着多模态能力从研发进入产品化阶段。