AI 文生图 · 文生视频 · 多模态
主流技术与各领域企业市占率
一、总览：三大领域与共同底座
1.1 三大领域的关系
文生图（Text-to-Image）、文生视频（Text-to-Video）与多模态大模型（Multimodal LLM）是生成式 AI 的三大主干。三者不是并列关系，而是收敛关系：多模态大模型是"统一底座"，文生图 / 文生视频 / 语音音乐成为其子能力。2025 年后，OpenAI 的 GPT Image（自回归）、Google 的 Nano Banana（扩散）、字节的 Seedance 等均已与各自的对话助手深度绑定，"独立生图 / 生视频产品"作为独立类别正在萎缩。
图 1 · 组件图：三大生成领域与多模态统一底座的关系
1.2 一句话格局（2026-08 时点）
- 文生图：范式已换挡。自回归（GPT Image）与多模态扩散（Nano Banana / FLUX）双路线并存，靠 ChatGPT / Gemini 存量用户分发；独立工具只剩 Midjourney（收入仍最高）、Ideogram、Leonardo、Civitai 等垂直玩家；中国市场全部内嵌进超级 App（即梦、通义、元宝、文心），无独立月活口径。
- 文生视频：从"西方技术演示赛"变成"中国产品性价比战"。Sora 于 2026-04 关停；2026 年能力/声量第一梯队为字节 Seedance 2.5、快手可灵 3.0、Google Veo 3.1、MiniMax 海螺、阿里万相 Wan3.0。应用层普遍亏损，算力层赚走大部分价值。
- 多模态大模型：中美双生态。海外 ChatGPT 一超多强（9 亿 WAU），中国豆包断层领先（MAU 3.8 亿）；开源（DeepSeek）颠覆 API 格局，在 OpenRouter 上 Token 消耗占半壁江山；Agent 化与统一生成成为 2026 年的竞争主轴。
二、AI 文生图（Text-to-Image）
2.1 主流技术路线
2.1.1 技术演进时间线
文生图经历了 GAN → 扩散 → Transformer（DiT）→ 多模态原生的四次范式切换。2024 年去噪骨干从 U-Net 全面转向 DiT / MMDiT，训练目标从 DDPM 逐步去噪转向 Flow Matching / Rectified Flow；2025 年出现分岔：自回归路线（GPT Image）直接预测图像 token，与多模态扩散路线（Nano Banana / FLUX.2）并存。
图 2 · 节点图：文生图技术演进时间线
2.1.2 生成管线
扩散 / 流匹配路线的标准管线为：文本编码 → 条件注入（交叉注意力 / ControlNet / IP-Adapter）→ 隐空间逐步去噪 → VAE 解码 → 超分放大。自回归路线则跳过"去噪"概念，直接自回归地预测图像 token 序列。
图 3 · 活动图：文生图一次生成的完整流程
2.1.3 双路线架构对比（2025-2026 主流）
图 4 · 组件图：自回归 vs 扩散/流匹配双路线
2.2 主流模型清单
海外
| 模型/产品 | 厂商 | 关键版本与时间 | 技术路线 | 要点 |
|---|---|---|---|---|
| GPT Image | OpenAI | GPT Image 1（2025-03）→ 1.5（2025-12）→ GPT Image 2（2026-04，推理模型） | 自回归 Transformer | 首发周 1.3 亿用户生成 7 亿+ 张图；借 ChatGPT 分发 |
| Midjourney | Midjourney（独立） | V7（2025-04）→ V8/V8.1/V8.2（2026-03/04/07） | 闭源扩散（自研） | 2025 收入约 5 亿美元、注册约 2000 万；零 VC 融资 |
| FLUX | Black Forest Labs | FLUX.1（2024-08）→ FLUX.2（2025-11）→ FLUX.3（2026-07） | 整流流 Transformer | FLUX.2 用 Mistral-3 24B 文本编码；开源+企业 API |
| Stable Diffusion 3.5 | Stability AI | 2024-10 | MMDiT + Rectified Flow | 未破产未出售；2025-11 英国赢 Getty 案 |
| Nano Banana（Gemini 2.5 Flash Image） | 2025-08-26 → Nano Banana Pro（2025-11）→ Nano Banana 2（2026-02） | 扩散 + 原生多模态 | 首发两周 2 亿+ 图、为 Gemini 拉新 1000 万用户 | |
| Ideogram | Ideogram | 3.0（2025-03）→ 4.0（2026-06，Apache 2.0 开源） | 自研 Stage 自回归 | 通顺文字排版见长；a16z/Index 投资 |
| Firefly | Adobe | Image 4（2025-04）→ Image 5（2025-10） | 扩散（商用安全） | 绑定 Creative Cloud，无公开使用量 |
| Imagen / Gemini 3 Pro Image | Imagen 4（2025-05）；2025-11 起并入 Gemini 图像 | 扩散 | 企业/Vertex AI 场景 |
中国
| 产品/模型 | 厂商 | 关键版本 | 要点 |
|---|---|---|---|
| 即梦 / Seedream | 字节跳动 | Seedream 3.0（2025-08-19） | 中文生图/中文长文本渲染被公认为国内第一梯队；即梦 DAU 曾于 2024-12 破百万 |
| 通义万相 | 阿里 | Wan 系列（图+视频） | 通过通义 App / 千问生态分发 |
| 混元图像 | 腾讯 | 混元 2.x / 3.0 | 并入元宝 App |
| 文心一格 | 百度 | ERNIE 视觉 | 并入文小言 |
| 可图 Kolors | 快手 | Kolors 2.0（2025-06） | 与可灵视频联动 |
| CogView-4 | 智谱 | 2025-03 | 首个开源中英双语文生图模型，中文排版/长文本强 |
| MiniMax-Image-01 / Vidu / Step-1X | MiniMax / 生数 / 阶跃 | 2025-04 / 2024-07 / 2024-09 | 融入各自多模态基座 / 清华系 U-ViT / 阶跃多模态 |
2.3 企业市占率与竞争格局
2.3.1 海外：独立工具收入估算 + a16z 榜单演变
文生图的"市占率"最可靠的公开口径是独立工具的订阅收入（Midjourney 官方未披露，第三方估算）。Midjourney 仍是收入与付费用户最高的独立文生图产品，但 a16z 基于 Similarweb 月访问量的榜单显示其流量排名从首届 Top 10 一路跌至第 6 版的 #46——用户被 ChatGPT / Gemini 内生的图像功能吸走。
图 5 · 横向条形图：文生图独立消费产品 2025 收入份额估算（第三方估算，非官方）
| 玩家 | 关键数字 | 来源/日期 |
|---|---|---|
| Midjourney | 2025 收入约 5 亿美元（2024 约 3 亿、2023 约 2 亿）；注册约 2000 万；约 60-160 员工；a16z Web 榜 #46（2026-03 版，SimilarWeb 2026-01） | Demand Sage / DevGraphiq 估算；a16z 6th Ed |
| GPT Image（OpenAI） | 首发周 1.3 亿用户 / 7 亿+ 图；ChatGPT 周活 9 亿（2026-02）；图像成为 ChatGPT 分发主力入口 | OpenAI 2025-04；TechCrunch 2026-02 |
| Nano Banana（Google） | 首发两周 2 亿+ 图 / 1000 万新用户；Gemini 为 a16z Web 榜 #2 | Google DeepMind；a16z 6th Ed |
| Adobe Firefly | 深度绑定 Creative Cloud，无公开使用量/渗透率 | Wikipedia / CNBC |
| Stability AI | 未破产、未出售，仍为独立英国公司；2025-11-06 英国高等法院判其对 Getty 训练不构成侵权 | Wikipedia（Stability AI 条目） |
| Ideogram | 融资种子 1650 万美元 + A 轮 8000 万美元；进入 a16z 2026-03 榜 | Bloomberg 2024-02 |
| Canva | 月活 2.5 亿+；2025-01 二级市场估值约 260 亿美元；2024-07 收购 Leonardo.ai（约 2.9 亿美元） | Canva 官方；媒体 |
范式换挡结论（a16z 第 6 版，2026-03）：Web Top 50 中独立文生图产品仅剩约 3 个——Leonardo、Ideogram、Civitai；Midjourney 以 #46 勉强在榜。ChatGPT（GPT Image）与 Gemini（Nano Banana）内生的原生图像模型把独立生图的门槛大幅抬高，幸存者靠"垂直创意社区 + 定制化功能"存活。
2.3.2 中国：全部内嵌超级 App，无独立月活口径
| 玩家 | 产品/模型 | 用户数字 | 来源 |
|---|---|---|---|
| 字节跳动 | 即梦 + Seedream 3.0 | 即梦 DAU 曾于 2024-12 破百万（国内首个文生图 DAU 破百万）；月活无公开权威数据 | 晚点 LatePost 2024-12 |
| 阿里 | 通义万相 / 万相相册 | 无公开月活 | 无公开数据 |
| 腾讯 / 百度 / 快手 | 混元图像 / 文心一格 / 可图 Kolors | 无公开月活，均内嵌元宝 / 文小言 / 可灵 | 无公开数据 |
| 智谱 / MiniMax / 生数 / 阶跃 | CogView-4 / MiniMax-Image / Vidu / Step-1X | 无公开月活 | 无公开数据 |
结论：中国文生图竞争重心已转向"内嵌进超级 App"与"图文一体（图→视频）"，厂商不再单独披露生图口径的 MAU。
2.4 术语表（文生图）
| 术语 | 英文 | 解释 |
|---|---|---|
| 扩散模型 | Diffusion Model | 先向数据逐步加噪（前向），再学习逐步去噪还原（反向）的生成模型；DDPM 为其奠基。 |
| 隐空间扩散 | Latent Diffusion | 在 VAE 压缩后的低维隐空间去噪，大幅降低算力，Stable Diffusion 的核心思路。 |
| 去噪骨干 | Denoising Backbone | 承担去噪的网络主体，早期为 U-Net，2024 年后主流为 DiT / MMDiT（Transformer）。 |
| DiT | Diffusion Transformer | 用 Transformer 替代 U-Net 做去噪，可扩展性强，是 SD3 / FLUX / Sora 的共同底座。 |
| MMDiT | Multimodal DiT | 文本与图像 token 在同一 Transformer 内联合注意力，SD3.5 / FLUX 采用。 |
| 流匹配 | Flow Matching / Rectified Flow | 以直线化概率流为训练目标的生成范式，替代 DDPM 逐步去噪，采样更快。 |
| 条件注入 | Cross-Attention / ControlNet / IP-Adapter | 把文本/姿态/深度/参考图等条件注入生成网络以控制输出。 |
| VAE | Variational Autoencoder | 把图像压缩为潜在表示再解码回像素，是扩散生图的前后处理桥梁。 |
| 自回归生图 | Autoregressive Image Gen | 像 LLM 一样逐个预测图像 token 序列，GPT Image / Ideogram 采用，理解力强。 |
| 放大/超分 | Upscaling / Refiner | 生成后提升分辨率与细节的后处理阶段。 |
三、AI 文生视频（Text-to-Video）
3.1 主流技术路线
3.1.1 技术演进时间线
文生视频从 2022 年的视频扩散奠基，到 2024 年 Sora 以 DiT 引爆，再到 2025-2026 年分化出三条路线：扩散/流匹配（Veo、可灵、Seedance）、自回归 token 预测（GPT-4o image 的视频动画、Google Genie 3）、世界模型（Runway GWM-1，把视频生成升级为可交互的世界模拟）。
图 6 · 节点图：文生视频技术演进时间线
3.1.2 关键技术栈
图 7 · 组件图：文生视频关键技术栈
3.2 主流模型清单
| 公司 | 模型 | 最新版本 | 技术要点 / 状态（2026-08） |
|---|---|---|---|
| OpenAI | Sora / Sora 2 | — | 2026-03 宣布停用、2026-04-26 关停；DiT 路线；峰值用户约 100 万，日运营成本约 100 万美元/天 |
| Veo 3 / 3.1 | Veo 3.1（2025-10） | 原生生成对白/音效/配乐；参考图与镜头控制；Vertex 定价约 0.5 美元/秒，偏商业 | |
| Runway | Gen-4.5 / GWM-1 | Gen-4.5（2025） | 6000 万+ 累计创作者；累计融资约 5.36 亿美元、估值 30 亿+；转向世界模型+机器人 |
| Luma | Dream Machine | Ray2 | 2024-06 爆火后声量回落，未进 a16z 前 50 |
| Pika | Pika 2.5 | 2.5 | 主打特效（Pikaffects）+ Agent + MCP；B 轮融资 8000 万美元 |
| Adobe / Meta | Firefly Video / Movie Gen | — | Firefly Video 2024-10 内测；Movie Gen 集成 Instagram，未见独立产品排名 |
| 快手 | 可灵 Kling | 3.0 / 3.0 Omni（2026-02-07） | DiT + 3D VAE；全球用户 2200 万+（2025-04）；累计生成视频 1.68 亿条、图片 3.44 亿张 |
| 字节跳动 | 即梦 / Seedance | Seedance 2.5（2026-07-31） | 30 秒原生视频 + 局部区域编辑 + 3 分钟长视频 beta；订阅约 69 元/月 |
| 阿里 | 通义万相 Wan | Wan3.0（2026-08-24） | 开源+闭源双线；阿里 2026-08 完成约 100 亿美元港股配股输血 AI |
| 腾讯 | 混元 HunyuanVideo | — | 2024-12 开源权重视频模型 |
| 智谱 | 清影 / CogVideoX | — | 2026-01-08 港股 IPO（募资约 5.58 亿美元），中国"AI 六虎"首家 IPO |
| MiniMax | 海螺 Hailuo | Hailuo 2.3 | 2026-01-09 港股 IPO；2025 全年营收约 7904 万美元、净亏约 18.7 亿美元 |
| 生数 / 阶跃 | Vidu / Step-Video | — | 清华系 / 开源视频模型 |
3.3 企业市占率与竞争格局
3.3.1 用户/声量梯队（2026-08）
图 8 · 组件图：2026 年文生视频产品梯队（能力/声量定性划分）
3.3.2 海外格局：Sora 出局，Veo 靠生态，Runway 转企业
| 产品 | 用户/月活 | 收入/估值 | 关键事实 |
|---|---|---|---|
| Sora | 峰值约 100 万，后跌破 50 万 | 无公开收入；日运营成本约 100 万美元 | 2026-04-26 关停；曾与迪士尼签约 10 亿美元/3 年授权（2025-12） |
| Veo 3/3.1 | 无独立月活，经 Gemini / Google Flow / Labs 分发 | Vertex 约 0.5 美元/秒 | 首个打破"中国视频模型优势"的美国模型；Labs 流量 +13% |
| Runway Gen-4.5 | 官网宣称 6000 万+ 累计创作者 | 累计融资约 5.36 亿美元；2025-04 融资 3.08 亿美元、估值 30 亿+ | 86 名员工；与 Lionsgate（2024-09）、AMC（2025-06）合作 |
| Luma / Pika | 无公开 | 订阅制，无公开营收 | 声量回落 / 特效向差异化 |
a16z 榜单参考：第 4 版（2025-03，数据 2025-01）海螺 #12、可灵 #17、Sora #23、InVideo #37——2025 年 1 月海螺与可灵的月访问量均已超过 Sora；第 5 版（2025-08）海螺、可灵仍在榜，Google Labs #39（承载 Veo 3）。
3.3.3 中国格局：可灵用户第一，其余靠生态分发
| 产品 | 用户/月活 | 收入/资本市场 | 关键事实 |
|---|---|---|---|
| 可灵 Kling 3.0 | 全球用户 2200 万+（2025-04 口径） | 母公司快手为港股上市公司 | 唯一有官方披露用户的国产视频产品；3.0 支持超长分镜、音画双绑 Omni |
| 即梦 / Seedance 2.5 | 无公开权威数字 | 订阅约 69 元/月 | 字节流量 + 剪映/CapCut 生态分发；2026-02 因 2.0 的"名人同框"爆火并引发版权争议 |
| 海螺 Hailuo | 无公开；a16z 第 4 版网页榜 #12 | 公司 2025 营收约 7904 万美元、净亏 18.7 亿美元 | 港股上市（SEHK:100）；2025-09 遭迪士尼/环球/华纳起诉侵权 |
| 通义万相 Wan3.0 | 无公开 | 阿里集团 | 2026-08-24 发布；开源+闭源双线 |
| 清影 / 混元 / Vidu / Step-Video | 无公开 | 智谱已上市 / 腾讯 / 生数 / 阶跃 | 开源权重（混元/CogVideoX/Step-Video）进入自建池 |
Sora 关停的启示：2026 年文生视频最大黑天鹅。独立视频产品的推理成本极高（Sora 单日约 100 万美元），而订阅收入难以覆盖；OpenAI 主动退出独立视频产品赛道，把能力并回多模态统一模型。这标志着"视频生成"从独立产品转向"多模态大模型的子能力 + 生态分发"。
3.4 术语表（文生视频）
| 术语 | 英文 | 解释 |
|---|---|---|
| 视频扩散模型 | Video Diffusion Model | 把扩散建模扩展到时空维度（多帧同时去噪），文生视频的基础范式。 |
| 时空注意力 | Spatial-Temporal Attention | 同时建模帧内空间与帧间时间关系，捕捉运动与场景变化。 |
| 3D VAE | 3D VAE | 对视频在空间+时间上同时压缩，得到更紧凑的隐表示（可灵采用）。 |
| 运动模块 | Motion Module | 负责生成连贯运动的网络组件。 |
| 帧插值 | Frame Interpolation | 在关键帧之间补帧，用于提帧率（如到 60fps）与平滑。 |
| 图生视频 | Image-to-Video（I2V） | 以一张/首尾帧参考图加文本指令生成视频，是控制性的主流手段。 |
| 原生音频 | Native Audio | 模型直接同步生成对白/音效/配乐（Veo 3、可灵 3.0 Omni）。 |
| 世界模型 | World Model | 把视频生成升级为对世界物理/交互的模拟（Runway GWM-1、Google Genie 3），向机器人/仿真延伸。 |
| 局部编辑 | Localized Editing | 只重绘视频中指定区域（Seedance 2.5）而非整段重生成。 |
四、多模态大模型（Multimodal LLM）
4.1 主流技术路线
4.1.1 架构演进
多模态从"图文对比对齐"（CLIP）→"视觉编码器 + LLM 拼接"（VLM）→"原生统一 / Omni"（GPT-4o、Gemini）→"统一生成 + 推理 + Agent"（2025-2026）。当前主流模型（GPT-5.6、Gemini 3.7、Claude Opus 5、Qwen、GLM-5.3、Kimi K3、DeepSeek V4）均原生支持多模态，且把图像/视频生成能力并回同一模型。
图 9 · 节点图：多模态大模型架构演进
4.1.2 统一 Token 空间
图 10 · 组件图：任何模态进入统一表示，再产出任意模态
4.2 关键模型清单（Artificial Analysis 智能指数，2026-08）
| # | 模型 | 公司 | 智能指数 | 开源 |
|---|---|---|---|---|
| 1 | Claude Opus 5（max） | Anthropic | 63 | 否 |
| 2 | Claude Fable 5 | Anthropic | 62 | 否 |
| 3 | GPT-5.6 Sol（max） | OpenAI | 61 | 否 |
| 4 | Grok 4.6（high） | xAI | 61 | 否 |
| 5 | Gemini 3.7 Flash（high） | 56 | 否 | |
| 6 | Claude Sonnet 5（max） | Anthropic | 55 | 否 |
| 7 | DeepSeek V4 Pro（max） | DeepSeek | 53 | MIT |
| 8 | GPT-5.6 Terra（xhigh） | OpenAI | 53 | 否 |
| 9 | Gemini 3.6 Flash | 52 | 否 | |
| 10 | GPT-5.6 Luna（max） | OpenAI | 52 | 否 |
| 中国梯队 | 公司 | 智能指数 | 开源 |
|---|---|---|---|
| Kimi K3（max） | 月之暗面 | 60 | 开源权重 |
| GLM-5.3（max） | 智谱 | 60 | 闭源+开源 |
| Qwen3.8 Max | 阿里 | 58 | Apache 2.0 |
| DeepSeek V4 Pro / V4 Flash | DeepSeek | 53 / 52 | MIT |
| MiniMax-M3 | MiniMax | 45 | Apache 2.0 |
| Hy3（混元） | 腾讯 | 42 | 否 |
4.3 企业市占率与竞争格局
4.3.1 全球消费者：ChatGPT 一超多强
| 产品 | 关键指标 | 来源/日期 |
|---|---|---|
| ChatGPT | 周活 9 亿，付费用户 5000 万 | OpenAI / TechCrunch 2026-02 |
| Gemini | Web 榜 #2；美国付费 +258% YoY；Web 访问量约为 ChatGPT 的 1/2.7 | a16z 6th Ed / Yipit 2026-01 |
| Claude | 美国付费 +200%+ YoY；付费用户约为 ChatGPT 的 1/8 | a16z / Yipit 2026-01 |
| DeepSeek | 流量分布：中国 33.5%、俄罗斯 7.1%、美国 6.6% | a16z / SimilarWeb 2026-01 |
| Grok | Web 榜 #13 | a16z 6th Ed 2026-03 |
关键关系：ChatGPT Web 访问量约为 Gemini 的 2.7 倍、Claude 的 8 倍以上；约 20% 的 ChatGPT 周活用户同时使用 Gemini。
4.3.2 中国市场：豆包断层领先（QuestMobile）
图 11 · 横向条形图：中国 AI 助手 App MAU 份额（QuestMobile 2026Q1，"其他"为估算）
| 产品 | 公司 | 2026Q1 MAU | 2026H1 MAU | DAU | 月人均使用次数 |
|---|---|---|---|---|---|
| 豆包 | 字节跳动 | 3.45 亿 | 3.82 亿 | 约 1.4 亿 | 54.8 次 |
| 通义千问 | 阿里 | 1.66 亿 | — | — | 19.8 次 |
| DeepSeek | DeepSeek | 1.27 亿 | — | — | 41.7 次 |
| 元宝 | 腾讯 | 约 5700 万 | — | DAU 超 5000 万 | — |
豆包 MAU 超过第 2-5 名总和，是国内唯一日活破亿的独立 AI 应用；火山引擎 MaaS 在中国公有云市场占约 49.5% 份额。
4.3.3 API / Token 消耗份额（OpenRouter，2026-08-23）
图 12 · 横向条形图：OpenRouter 周 Token 消耗份额（2026-08-23，前 10 名合计，示意）
| 排名 | 模型 | 公司 | 周 Token | 趋势 |
|---|---|---|---|---|
| 1 | DeepSeek V4 Flash 0731 | DeepSeek | 11.6T | — |
| 2 | Ox Alpha（匿名） | — | 11.6T | 新上榜 |
| 3 | MiMo-V2.5 | 小米 | 9.94T | +162% |
| 4 | Hy3 | 腾讯 | 8.21T | +18% |
| 5 | DeepSeek V4 Flash 0423 | DeepSeek | 5.46T | +13% |
| 6 | GPT-5.6 Luna | OpenAI | 4.91T | +8% |
| 7 | Nemotron 3 Ultra（free） | NVIDIA | 4.75T | +121% |
| 8 | GLM 5.2 | 智谱 | 3.42T | +21% |
| 9 | DeepSeek V4 Pro 0423 | DeepSeek | 1.85T | +32% |
| 10 | Gemini 3.7 Flash | 1.8T | +340% |
DeepSeek 系列合计占 OpenRouter Token 流量的一半以上，反映其开源 + 低价策略在开发者社区的统治力；小米 MiMo、腾讯 Hy3 均基于开源架构（MiMo 基于 DeepSeek）构建自有产品。
4.3.4 估值与资本（2026）
| 公司 | 最新估值 | 阶段 | 关键数据 |
|---|---|---|---|
| OpenAI | 约 8400 亿美元（投后） | 2026-02 融资 1100 亿美元 | 9 亿 WAU、5000 万付费；Amazon 500 亿 + Nvidia 300 亿 + SoftBank 300 亿 |
| Anthropic | 约 9650 亿美元（投后） | 2026-05 H 轮 650 亿美元 | Claude Code 年化收入 10 亿美元/6 个月 |
| 智谱 | 约 560 亿美元 | 2026-01-08 港股上市 | 2026H1 ARR 超 10 亿美元 |
| MiniMax | 约 330 亿美元 | 2026-01-09 港股上市 | MiniMax-M3 智能指数 45 |
| 月之暗面（Kimi） | 约 300-350 亿美元 | 一级市场 F 轮（2026H1） | Kimi K3 智能指数 60、ARR 约 3 亿美元 |
| DeepSeek | 无公开估值 | 一级市场 | P/ARR 约 120 倍（瑞银估计） |
| 字节 / 豆包 | 未上市 | — | 豆包 MAU 3.82 亿；火山引擎 MaaS 49.5% 份额 |
4.4 术语表（多模态）
| 术语 | 英文 | 解释 |
|---|---|---|
| 多模态 | Multimodal | 同时处理文本、图像、音频、视频等多种模态输入/输出。 |
| 对比学习对齐 | Contrastive Learning（CLIP） | 用图文配对做双塔对比学习，把两种模态映射到同一向量空间对齐。 |
| 视觉语言模型 | VLM（Vision-Language Model） | 视觉编码器 + 投影层 + LLM 拼接的经典组合，如 LLaVA、Qwen-VL。 |
| 视觉 Tokenizer | Vision Tokenizer | 把图像/视频切分为离散或连续 token，供 LLM 骨干处理。 |
| Omni / 原生多模态 | Omni Model | 端到端统一训练、共享 token 空间的原生多模态模型，如 GPT-4o、Gemini。 |
| 统一 Token 空间 | Unified Token Space | 文本/图像/音频/视频 token 进同一 Transformer，模型可跨模态推理与生成。 |
| 多模态推理 | Multimodal Reasoning | 基于视觉证据进行逻辑推理（图表、代码截图、物理世界理解）。 |
| 统一生成 | Unified Generation | 一个模型同时输出文本/图像/视频/3D/音乐，而非各模态分模型。 |
| MaaS | Model-as-a-Service | 以 API 形式售卖模型能力的云计算模式，火山引擎/阿里云等提供。 |
五、横向对比：全球 vs 中国，与产业链价值份额
5.1 三领域综合对比
| 维度 | 文生图 T2I | 文生视频 T2V | 多模态 LLM |
|---|---|---|---|
| 代表技术 | 扩散/流匹配（FLUX、Nano Banana）vs 自回归（GPT Image） | 时空扩散 + DiT（Veo、可灵、Seedance）；自回归/世界模型新路线 | 原生统一 token 空间（GPT-5.6、Gemini、Qwen、GLM） |
| 海外领跑者 | Midjourney（收入）、OpenAI GPT Image、Google | Google Veo 3.1、Runway（企业向） | OpenAI（一超）、Anthropic、Google、xAI |
| 中国领跑者 | 即梦/Seedream（中文生图第一梯队） | 可灵（用户 2200 万）、Seedance 2.5（能力榜最强） | 豆包（MAU 3.8 亿）、DeepSeek（开源/API）、通义、Kimi、GLM |
| 独立产品现状 | 萎缩，仅剩 3-4 个进 a16z 前 50 | Sora 关停；独立产品难闭环 | 助手 App 为主战场（ChatGPT/豆包） |
| 商业化难点 | 订阅为主，被内嵌功能挤占 | 推理成本极高（Sora 日 100 万美元），订阅难覆盖 | 算力成本 + 价格战（GPT-5.6 Luna 低至 0.01 美元/任务） |
| 版权风险 | Midjourney 遭迪士尼/环球/华纳起诉；Stability 英国胜诉 | Seedance、海螺遭好莱坞起诉 | 训练数据合规全球监管趋严 |
5.2 产业链价值份额
三大领域共享同一条产业链：上游算力（约 60-70%）→ 中游基础模型（约 20-30%）→ 下游应用（不到 10%，普遍亏损）。价值份额估算基于可核实的成本与融资数据点。
图 13 · 组件图：AI 生成产业链上中下游分工与价值份额（估算）
| 环节 | 价值份额（估算） | 依据数据点 |
|---|---|---|
| 上游 · 算力/云/芯片 | 60-70% | Sora 单日运营约 100 万美元；NVIDIA 2026-08 对 AI 客户涨价 15%+；阿里为 AI 融资 100 亿美元 |
| 中游 · 基础模型 | 20-30% | 中国厂商开源+低价碾压（混元/万相/CogVideoX 开源）；Veo 2 按秒计价 0.5 美元 |
| 下游 · 应用/订阅 | <10%，普遍亏损 | MiniMax 2025 净亏 18.7 亿美元；可灵/即梦单产品收入无公开；订阅价被压至 69 元/月档 |
六、数据来源与说明
- a16z《Top 100 Gen AI Consumer Apps》第 4 版（2025-03）/ 第 5 版（2025-08）/ 第 6 版（2026-03），基于 Similarweb 月访问量与 Sensor Tower 月活。
- Similarweb、Sensor Tower、QuestMobile（2026 Q1/H1 中国 AI 应用报告）。
- OpenRouter Rankings（2026-08-23，周 Token 消耗）。
- Artificial Analysis LLM 智能指数榜单（2026-08）。
- Reuters、SCMP、CNBC、Bloomberg、TechCrunch、晚点 LatePost 等媒体；OpenAI / Google DeepMind / Runway / 可灵 / MiniMax 等官方发布与财报；Wikipedia（Sora / Veo / Runway / Kling / Seedance / MiniMax / Z.ai / Stability AI 等条目）。
- 估算类数字（Midjourney 收入、Canva 估值、产业链价值份额等）均为第三方估算，非官方披露，仅作趋势参考。
- 中国厂商月活数据普遍不透明，凡无官方披露处均已标注"无公开数据"。
本文档整理于 2026-08，AI 领域迭代极快，所有数字以标注的来源与日期为准。相关基础技术细节可参考《图片技术全景梳理》《AI 短视频制作技术路线》《大模型 API 费用对比》等文档。