摘要
GPT5发布在即，有望挑战多模态AI新高度。当前多模态AI正在向“多模态全才”发展，绝大多数多模态大模型仍然停留在L3级别（任务级协同），对于L4范式级协同及L5模态级协同仍然有较大差距，而据早前官方口径，GPT5有望将前期各类模型整合在一起，我们认为强大整合的GPT5有望集推理、多模态、Agent、编程、Deep research等功能于一身，冲击L5级别多模态AI。
全球科技巨头争先入局，多模态或是AI货币化的先锋。据快手官方，2025Q1可灵AI已经实现1亿美元ARR，展现出良好的AI货币化能力，科技巨头纷纷押注多模态AI，如：
1）腾讯发布混元3D世界模型，一键生成“我的世界”；
2）阿里通义万相是业界首个使用MoE架构的视频生成模型，总参数量为27B，激活参数14B，还支持电影美学控制系统；
3）字节在 Seed1.6 模型系列中探索了 Adaptive CoT 技术，让模型能够根据问题难度自动触发思考过程，取得了模型效果和推理性能的平衡等。
国内上市公司也在加大多模态AI应用的商业化进程：
1）美图：推出了RoboNeo，实现集图像编辑、视频生成、设计创作、网页建站于一体的智能AI Agent；
2）万兴科技：有望对标可灵的天幕2.0即将发布，叠加超媒AI Agent打造一站式AIGC体验；
3）快手：快手可灵2.0模型在动态质量、语义响应、画面美学等维度，保持全球领先，2025Q1就已经实现1亿美元ARR的亮眼表现；
4）合合信息：扫描全能王的能力范围在加速扩展，延伸至AI鉴真、AI Agent等前沿AI应用；
5）福昕软件：福昕智能文档解决方案以多模态解析技术和人工智能技术为基座，构建了从文档解析、知识索引到精准问答的全链条能力。
投资建议：当前全球多模态AI正在向“多模态通才”转变，智能化水平与能力范围不断扩大，美图、快手等多模态AI产品已经体现出较强的AI货币化能力，多模态AI应用或成为AI大模型商业化变现的前锋，建议关注多模态AI相关标的：美图、快手、万兴科技、合合信息、福昕软件等；同时建议关注受益于多模态AI发展的AI应用、AI算力等相关标的。
风险提示：多模态AI技术落地不及预期，行业竞争加剧。
1 GPT5发布在即，有望挑战多模态AI新高度
1.1 多模态AI的新基准：“多模态通才”
全新的General-Level提出全新理念：判断一个多模态通用模型是否更强大，不能简单地等同于在基准测试中获得更高的分数，或者与其他模型相比支持尽可能多的多模态任务。2025年5月，十所顶尖高校联合发布General-Level评估框架和General-Bench基准数据集，用五级分类制明确了多模态通才模型的能力标准。当前多模态大语言模型在任务支持、模态覆盖等方面存在不足，且多数通用模型未能超越专家模型，真正的通用人工智能需要实现模态间的协同效应。
General-Level建立了五个层级的评价水平，当前全球范围内多模态模型仍然处于L4阶段。据新智元微信公众号，该评价体系将考察体系分为四个方向：
1）模态理解和同时进行多模态理解和生成：最初阶段，多模态大语言模型（MLLMs）的回复仅限于基于用户提供的多模态输入生成文本输出；后续的多模态大语言模型不仅具备多模态理解能力，还能在各种模态之间生成、编辑内容；
2）支持更广泛的模态：多模态通才需要广泛支持和处理多种模态数据，包括但不限于文本、图像、视频、音频，甚至是三维数据，支持的模态范围反映了一个人工智能系统能力的广度。到目前为止，多模态模型可以将图像与视频结合、视频与音频结合等，最先进的模型甚至可以处理任意模态；
3）支持各种任务和范式：多模态通才必须能够处理各种不同定义和要求的任务，来提高整体的多功能性。例如，早期的视觉多模态大语言模型只能进行粗粒度的图像理解，后续发布的模型能够实现细粒度、像素的图像/视频定位和编辑等。模型的解码组件也必须足够灵活，能够以各种任务格式生成输出，处理不同类型的任务，例如目标定位、像素级修改以及多模态内容创作；
4）多模态智能体与多模态基础模型：刚开始的多模态智能体，就是大语言模型通过调用外部工具和模块（通常是专用模型）来执行特定的多模态任务。后续的研究重点逐渐转向构建联合多模态大语言模型，其中大语言模型与其他模块（如多模态理解组件和多模态生成组件）通过共享嵌入空间紧密集成。
基于上述考察体系，L1-L5的评价分别要求：
1）L1专家型模型：针对特定任务或特定模态的数据集进行微调，可以看作是针对特定任务的专家模型，包括各种学习任务，例如语言或视觉识别、分类、生成、分割、定位、图像修复等，比如CLIP，Stable Diffusion等；
2）L2支持多任务的通才：模型从专用模型转变为通用模型，需要让系统能够适应各种任务建模方式，支持多种模态类型和输入格式，同时处理各种模型类型和输出格式（可用于理解或生成）。目前，最流行且广泛采用的做法是以大语言模型（LLM）作为核心/智能媒介，整合各种专业模型来构建通用模型，通过现有的编码和解码技术整合各种模型，从而实现多种模态和任务（比如理解和生成任务）的融合与统一；
3）L3出现任务级协同的通才：要从普通的通用模型提升到第3级，系统必须展现出跨任务的协同能力，使得至少两个任务（无论这两个任务是理解类的还是生成类的，都能够共享特征并实现相互性能提升；
4）L4范式级协同的通才：如果一个通用智能体能够达到第4级，也就意味着该系统不仅具备强大的理解能力，而且在进一步学习和训练生成能力时仍能保持基础性能，比如Morph-Token分离出视觉重建损失用于生成学习，以避免与理解学习损失相互干扰；
5）L5模态级全协同的通才：是通用智能体的最终目标，从某些模态的任务中学到的特征、知识甚至智能可以在一定程度上迁移到其他支持的模态任务中。目前，大多数多模态通用智能体受到架构发展的限制，主要通过语言智能来支持其他模态的智能，要想真正达到第5级，必须实现所有模态之间的协同。
1.2 科技巨头纷纷押注多模态AI
1.2.1 腾讯混元3D世界模型：一键构建“我的世界”
腾讯混元3D世界模型是业界首个开源可沉浸漫游、可交互、可仿真的世界生成模型，为游戏开发、VR、数字内容创作等领域带来了全新的可能性。据腾讯开源微信公众号，该模型核心是语意层次化3D场景表征及生成算法，该算法将复杂3D世界解构为不同语意层级，实现前景与背景、地面与天空的智能分离，不仅生成视觉效果逼真的整体场景，还能输出标准化的3D Mesh资产，兼容Unity、Unreal Engine、Blender等主流工具。用户可对场景内元素进行独立编辑或物理仿真，无缝衔接AIGC技术与传统CG工作流；能够实现只需输入简单指令，模型即可快速生成包含建筑、地形、植被的完整3D场景。输出的Mesh文件可用于游戏原型搭建或关卡设计，还能灵活调整前景物体、更换天空背景，满足个性化创作需求；此外，腾讯混元还披露了包括端侧混合推理语言模型、多模态理解模型、游戏视觉模型等在内的一系列开源计划。
1.2.2 通义万相：业界首个使用MoE架构的视频生成模型
通义万相文生视频模型和图生视频模型均为业界首个使用MoE架构的视频生成模型，总参数量为27B，激活参数14B；同时，首创电影美学控制系统，光影、色彩、构图、微表情等能力媲美专业电影水平。据阿里云微信公众号，通义万相2.2率先在视频生成扩散模型中引入MoE架构，有效解决视频生成处理Token过长导致的计算资源消耗大问题；Wan2.2-T2V-A14B、Wan2.2-I2V-A14B两款模型均由高噪声专家模型和低噪专家模型组成，分别负责视频的整体布局和细节完善，在同参数规模下，可节省约50%的计算资源消耗。在模型能上，通义万相2.2在复杂运动生成、人物交互、美学表达、复杂运动等维度上也取得了显著提升。此外，较上一代万相2.1模型，万相2.2模型的训练数据实现了显著扩充与升级，并在训练中引入了专门的美学精调阶段，通过细粒度地训练，使得视频生成的美学属性能够与用户给定的prompt提示词相对应。万相2.2模型在美学精调阶段创新性提出了「电影级美学控制系统」，直接将光影、色彩、镜头语言三大电影美学元素装进模型。通义团队编码了60多个直观可控的参数，并且可以随意组合，大幅提升电影级画面的制作效率。
1.2.3 Figma：借力AI重写创意行业新格局
Figma服务的客户分散在银行、快消品、能源、制造、软件等各行各业，截至2025年3月31日，Figma在全球已有45万付费客户。据智东西微信公众号，全球数十亿人使用应用程序、网站和其他数字体验都是通过Figma制作的，包括谷歌地图、优步打车软件、奈飞流媒体节目、多邻国语言学习应用、领英职场社交媒体、大语言模型Claude等。Figma的访问权限以按年或按月订阅的形式出售。如下图所示，其根据特定用户的需求提供不同的档位，包括五个档位：Viewer、Collab、Content、Dev、Full，对应入门者、专业用户、组织用户和企业用户，不同档位对应不同的费用，截至2025年3月31日，Figma的总留存率为96%，净美元留存率达到132%，在Figma平台上年度付费超1万美元的付费客户达到11107家。
2025年，Figma有望推出四款全新AI产品。据智东西微信公众号，2025年Figma将推出四款新产品，使产品组合规模翻一番：Figma Make、Figma Draw、Figma Sites和Figma Buzz：
1）Figma Make：是一款AI驱动的可将提示词转化为功能的工具。用户可以直接从指令生成可运行的原型，并且立即验证想法；可以自由选择进一步输入指令、直接编辑代码，还是进行视觉化操作；
2）Figma Draw：是一款用于绘制精细的矢量编辑图像和产品插图的工具。Figma Draw支持AI自动完成繁琐的重复性任务，例如移除图像背景、重命名设计图层、在原型中填充逼真内容等，First Draft也是一项AI能力，用户只需输入简单指令，就能从空白画布生成可编辑的用户界面；
3）Figma Sites：可让用户设计网站并直接将其发布到网上；
4）Figma Buzz：可轻松创建数字广告等营销资产。
1.2.4 字节Seed1.6： Adaptive CoT技术的前沿探索
字节在Seed1.6 模型系列中探索了Adaptive CoT 技术，让模型能够根据问题难度自动触发思考过程，取得了模型效果和推理性能的平衡。据字节跳动技术范儿微信公众号，Seed1.6-Thinking 在 Seed1.5-Thinking 的基础上拓展了训练算力，加大了高质量训练数据规模（包括 Math、Code、Puzzle 和 Non-reasoning 等数据），提升了模型在复杂问题上的思考长度，并且在模型能力维度上深度融合了 VLM，给模型带来清晰的视觉理解能力。因此，对比 Seed1.5-Thinking，Seed1.6-Thinking 在复杂文本场景中的推理能力明显提升，同时也具备了较好的视觉推理能力。
2 重点公司多模态AI业务梳理
2.1 美图：RoboNeo定义AIGC Agent新范式
据AI启元社，美图最新推出了RoboNeo，这是一款集图像编辑、视频生成、设计创作、网页建站于一体的智能AI Agent，具备极强的美学审美能力与落地执行力，是一站式影像生产力工具的新标杆，且可免费使用。RoboNeo的slogan“一句话搞定影像生产力”，强调从修图、美学分析，到品牌设计、海报生成、网页建站、短视频创作，全流程自动化执行。
RoboNeo天然融合美图秀秀、美图设计室等系列产品的图像处理技术，具备图层智能拆分、插画风格保留元素一致性处理、风格转绘等高级图像功能。除了静态图像，其还具备文生视频、图生视频、视频转绘、视频动作合成等多项AI视频能力。RoboNeo覆盖了品牌设计 商业视觉内容生成的全流程需求，从企业初创视觉建设到日常电商物料输出均可应对；支持一站式网页搭建，主要针对中小企业或电商商家实现线上营销入口的快速落地。
2.2 快手：可灵AI货币化进程亮眼
快手可灵2.0模型在动态质量、语义响应、画面美学等维度，保持全球领先。据快手科技微信公众号，可灵AI致力于提升模型基础质量和模型效果，并引入更多创新功能，以满足用户的多样化需求。在本次2.0模型的迭代中，可灵AI正式发布AI视频生成的全新交互理念Multi-modal Visual Language（MVL），让用户能够结合图像参考、视频片段等多模态信息，将脑海中包含身份、外观、风格、场景、动作、表情、运镜在内的多维度复杂创意，直接高效地传达给AI。
快手可灵在2025Q1已经实现1亿美元ARR，伴随AI功能持续上新，可灵AI货币化进度有望加速。据凤凰网财经，可灵在2025年3月(正式推出后的第10个月)实现年化经常性收入(ARR)超过1亿美元；我们认为，伴随新的AI功能上线，以及全球创作者计划，可灵AI有望迎来付费用户增长同时ARUP提升的“戴维斯双击”，加快AI货币化进度。
2.3 万兴科技：天幕2.0 超媒Agent切入蓝海市场
据万兴科技微信公众号，万兴天幕2.0大模型在华为云的强大算力与技术加持下，由千人团队联合创新打造。它依托百亿级数据沉淀与万兴科技15亿用户行为数据，实现了音视频垂类原子能力的全面跃升，在专业级运镜设计、多层次立体音效生成、首尾帧智能补齐与过渡内容创作等方面达到业界领先水平。该模型秉持“创意平权”理念，聚焦音视频创作垂类场景，助力创作者突破技术限制，以更低门槛、更高效率生成具备真实感与专业品质的音视频内容，加速推动人人皆是创作者时代的到来。
万兴超媒Agent依托万兴天幕音视频多媒体大模型2.0强大技术底座打造，通过高度智能化的技术架构，实现了用一个Agent全面包办从分镜规划到作品发布一系列创作任务，有效解决了传统创作模式下多软件切换、操作繁琐等问题，使普通用户也能轻松创作出具有大片质感的音视频作品。作为一款专为全球音视频创作者量身打造的AI Agent产品，万兴超媒Agent具备三大特点：全链路视频编辑能力、行业Know-How知识库沉淀、大模型与工具链深度耦合。
2.4 合合信息：扫描全能王的能力范围加速扩展
据合合信息微信公众号，合合信息“AI鉴伪”技术实现了从静态图像到多模态信息鉴伪的技术跨越，精准打击人脸视频、AIGC生成图像、证件票据等AI伪造“重灾区”。AI人脸鉴伪模型采用人脸视频篡改检测技术，可对人脸视频实现毫秒级实时鉴定，大幅提升篡改检测效率。AIGC图像鉴别技术用大模型分析“看不见”的图像信息，可实现毫秒级鉴伪，测试样本集鉴定准确率超90%，有效识别MidJourney、GPT 4O等主流模型AI生成图片。TextIn通用篡改检测平台采用自研深度神经网络技术，基于百万级数据训练，支持数十种常用票据及卡证篡改检测，有效解决企业及机构检测文档数量庞大、造假形式多样，版式复杂等痛点。
合合信息推出业内首个AI Agent跨平台云资源智能管理终端Chaterm，率先将AI Agent能力应用于云资源管理终端，通过自然语言，在操作界面对话或输入指令，就能实现工作的自动化，极大提高了开发、运维人员的工作效率。目前，Chaterm核心代码已全面开源，开发者可以直接观察算法底层运行逻辑，并根据实际需求进行定制化修改，做到云资源管理领域“透明可控，安全可信”。
2.5 福昕软件：智能文档解决方案加速落地
据福昕软件微信公众号，福昕创新性提出“大模型 领域知识 工程方法”的融合路径，构建了低成本、高效率的“人工智能 政法”应用范式。福昕智能文档技术通过将海量非结构化文档转化为结构化、可理解、可检索的数据资产，让检察官从“搜索与搬运”的低效工作中解放出来，真正聚焦于“思考与判断”的核心价值环节。
福昕智能文档解决方案以多模态解析技术和人工智能技术为基座，构建了从文档解析、知识索引到精准问答的全链条能力，使法律条文、案件卷宗等海量数据转化为可计算、可追溯的结构化知识资产，为检察机关提供了强大的数据治理能力。基于核心技术优势，福昕软件研发了“索迹智见"、“枫控智检”、“民声检应”三大核心产品，并与北京市人民检察院深度合作，共同打造了《“数智枫桥·数治北京”解决方案》。
2.6 其他多模态AI应用
北森AI 面试官得到众多企业认可。产品依靠北森20余年人才评估与面试方法论沉淀，与 AI技术深度融合形成 “专业评估逻辑 大模型能力” 双重优势，让 “面得准” 成为标配。岗位胜任力模型上，依托20年 People Science 积累及近200名心理学专家经验，为不同行业、岗位定制精准评估维度，从底层保障专业性与准确性；AI技术与场景结合方面，通过独创 “倒叙式三层追问面试法” 进行立体化追问，模拟资深面试官逻辑，结合 RAG 技术调用企业私有知识库，让评估更贴合业务场景。
粉笔AI面试点评有效提升用户面试表现。精品AI面试点评是粉笔打造的融合AI技术的智能化面试学习工具，借助虚拟面试老师，提供沉浸式模拟训练、精准智能点评及个性化答题优化，助力用户高效提升面试表现。
3 投资建议
当前全球多模态AI正在向“多模态通才”转变，智能化水平与能力范围不断扩大，美图、快手等多模态AI产品已经体现出较强的AI货币化能力，多模态AI应用或成为AI大模型商业化变现的前锋，建议关注多模态AI相关标的：美图、快手、万兴科技、合合信息、福昕软件等；同时建议关注受益于多模态AI发展的AI应用、AI算力等相关标的。
4 风险提示
1）多模态AI落地不及预期。当前多模态AI技术路径尚不清晰，或导致多模态AI技术研发不及预期，进而导致相关应用商业化落地不及预期。
2）行业竞争加剧。多模态AI应用市场较为广阔，当前互联网巨头悉数入局，传统垂类AI应用领军者若无法构建深厚护城河或面临市场份额流失风险。
VIP复盘网
