生成式模型

一个生成式概率模型，把每篇文档表示为对一组主题的有限混合，用变分近似推断与 EM 算法拟合，并在文档建模、文本分类和协同过滤上做了评测。

2006 年，Hinton、Osindero 与 Teh 提出用「互补先验」和逐层贪心算法训练深层信念网络，再做整体微调；所得带三个隐藏层的模型既能生成手写数字，分类效果也很好。

生成对抗网络让一个生成器和一个判别器在零和博弈中相互竞争，生成器因此学会模仿训练数据的分布；2014 年由 Ian Goodfellow 等人提出，此后衍生出一系列图像生成架构。

Goodfellow、Bengio 等作者提出生成器与判别器进行对抗训练的生成模型框架。

这篇 2018 年的论文提出基于风格的 GAN 生成器架构，将高层属性与随机变化分离，并支持尺度特定控制，在分布质量、插值和解耦上取得改进。

2020 年的论文提出 NeRF：把场景表示成由 5 维坐标映射到密度与颜色的神经网络，并用相机位姿已知的稀疏图像优化，在新视图合成上取得领先结果。

2021 年的一篇论文，把扩散模型放到预训练自编码器的潜空间里运行，降低了高分辨率图像合成的算力，并用交叉注意力接受文本或边界框等条件。

Stability AI 于 2022 年 8 月 22 日公开发布的开放权重文生图模型，基于潜扩散，可在消费级显卡上运行，让本地生成图像变得容易获得。

AlphaFold 3 是 DeepMind 于 2024 年 5 月发布的结构预测模型，可预测蛋白质、DNA、RNA、配体等分子的结构与相互作用。[^1]

ESM3 是 EvolutionaryScale 于 2024 年 6 月发布的蛋白质生成模型，能同时依据序列、结构和功能进行推理，并生成了与已知荧光蛋白相距约 5 亿年演化距离的新蛋白。

π0 是 Physical Intelligence 发布的通用机器人策略，从 30 亿参数的视觉语言模型改造而来，用流匹配输出连续动作，能以每秒最多 50 次的频率驱动机器人完成灵巧操作。

字节跳动于 2026 年 2 月发布的视频生成模型，可在统一架构下同时生成画面与声音，接受文本、图像、音频和视频输入；因版权争议一度暂停全球发布。

无监督学习让算法在没有标签的数据上自行找出结构，如聚类、降维与生成建模。从伊辛模型、玻尔兹曼机到变分自编码器，它是聚类工具与神经生成模型背后的框架。

玻尔兹曼机是一种用全局能量给每种网络配置打分、并用随机学习算法训练的神经网络。它由杰弗里·辛顿与特里·塞诺夫斯基提出，把能量模型带进了认知科学与机器学习。

1985年，Ackley、Hinton 与 Sejnowski 在《Cognitive Science》发表论文，提出一种修改连接强度的通用学习规则，并用简单例子展示网络能从样本中形成结构高效的内部表示。

Mila是位于蒙特利尔的深度学习研究所，1993年由约书亚·本吉奥（Yoshua Bengio）创立，前身为LISA，培养出伊恩·古德费洛（Ian Goodfellow）等人。

主题模型把文档表示为主题的混合，用潜在主题为文本集合提供紧凑的统计描述；2003 年的 Latent Dirichlet Allocation 论文将这一思想形式化为分层贝叶斯模型。

深度神经网络声学建模用多层网络把语音映射为音素等单元。2010 年 NIPS 论文用深度信念网络与均值-协方差 RBM 提取语音特征，在 TIMIT 上取得 20.5% 音素错误率。

2010年 NIPS 论文，Dahl、Ranzato、Mohamed 和 Hinton 将深度信念网络与均值-协方差受限玻尔兹曼机用于声学建模，在说话人无关 TIMIT 音素识别上达到20.5%音素错误率。

快手科技是总部位于北京海淀区的短视频与直播公司，2011 年以 GIF 快手起步，2021 年在香港联交所上市，旗下有可灵视频生成大模型。

变分自编码器是一种生成模型：编码器把输入映射为隐空间上的分布，解码器从采样结果重建输入，训练时最大化数据似然的下界。

Diederik P. Kingma 与 Max Welling 于 2013 年发表的论文，提出一种随机变分推断与学习算法，使含有连续隐变量、后验难以计算的定向概率模型能够在大规模数据集上训练。

英矽智能是一家 2014 年在美国成立的药物研发公司，把 AI 软件平台 Pharma.AI 与自研药物管线和自动化实验室结合起来。

DeepMind 提出的原始音频生成模型，逐个采样点预测波形，把神经语音合成的自然度大幅拉近人类水平，后来成为 Google Assistant 与云端语音合成的基础。

WaveNet 是一个直接生成原始音频波形的深度神经网络，逐个采样点地预测声音，每个采样点都以之前所有采样点为条件。用于语音合成时，听者认为它比对照的系统明显更自然。

深度伪造（deepfake）指用人工智能生成或修改的图像、视频和音频，属于合成媒体。「深度伪造」由「深度学习」与「假」组合而成，2017 年末出现后成为这类内容的通称。

CycleGAN 在没有配对样本的情况下学习两个图像域之间的转换，用对抗损失匹配目标分布，并加入循环一致性约束来限制映射。

2017 年的一篇论文提出渐进式增长训练法：生成器与判别器从低分辨率开始逐层加深，使 GAN 训练更稳定、图像质量与多样性更高。

这是 van den Oord、Vinyals 与 Kavukcuoglu 在 2017 年提出的 VQ-VAE：一种潜在编码为离散而非连续、先验由学习而非固定的生成模型，让无监督地学到有用表示成为可能。

Runway 是总部位于纽约的 AI 视频公司，2018 年成立，参与发布 Stable Diffusion，并推出 Gen 系列视频模型。2026 年 2 月融资 3.15 亿美元，估值 53 亿美元。

2018 年的论文，作者为 Andrew Brock 等，把生成对抗网络训练到当时最大规模，提出 BigGAN，刷新了类别条件图像合成的最好成绩。

Stability AI 是一家成立于 2019 年的英国生成式 AI 公司，2022 年因公开发布开放权重图像模型 Stable Diffusion 而广为人知，此后面临关于训练数据的版权诉讼。

2020 年，Ho 等人训练 U-Net 逐步还原被加噪的图像，使扩散模型在图像生成上足以与 GAN 抗衡，也为 DALL-E 2、Stable Diffusion 等采用。

扩散模型（diffusion models）学习逆转逐步加噪的过程，从噪声出发逐步去噪以生成图像。潜在扩散（latent diffusion）是 Stable Diffusion 的基础。

DALL·E 是 OpenAI 于 2021 年 1 月 5 日公布的文本生成图像模型，用 120 亿参数和 2.5 亿对图文数据训练，按文字描述逐个图像词元生成图片。

2021 年的一篇 OpenAI 论文：用单个 120 亿参数的自回归 Transformer，在 2.5 亿对图文数据上训练，即可根据文字生成图像，零样本评测下与领域专用模型相当。

稀宇科技（MiniMax）是总部位于上海的人工智能公司，2021年12月由商汤科技的计算机视觉研究者创办，开发文本、语音和视频生成模型，2026年1月在港交所上市。

Midjourney 是一家总部位于旧金山的独立研究实验室，运营同名图像生成服务。公司由 David Holz 创办并领导，从未接受外部融资，并卷入多起版权诉讼。

DALL·E 2 是 OpenAI 于2022年4月宣布的图像生成模型，支持图像变体和语言引导的编辑。其 API 于2026年5月关停。

Imagen 是 Google Research 于 2022 年 5 月发布的文本到图像扩散模型，它把冻结的大语言模型与扩散模型结合，并提出了 DrawBench 基准；Google 未公开发布其代码或演示。

Imagen 是一个用大型预训练语言模型编码提示词的文生图扩散模型，在 COCO 上取得 7.27 的零样本 FID，并提出 DrawBench 评测基准。

Midjourney 是由 Midjourney, Inc. 运营的 AI 图像生成服务。它于 2022 年 7 月 12 日通过 Discord 机器人开放公测，之后陆续加入网页界面、视频生成和新模型版本。

2022 年，Peebles 与 Xie 用 transformer 取代扩散模型的 U-Net 主干，证明效果随算力稳定提升，并在 ImageNet 上取得 2.27 FID。

爱诗科技（PixVerse）2023 年成立，是一家自研模型的 AI 视频生成公司，产品覆盖网页端、API 与智能体工具；2026 年 3 月的 C 轮融资使其成为独角兽。

Runway Gen-2 是 Runway 于 2023 年 3 月推出的多模态视频生成系统，能根据文字、图片或视频片段生成新视频，是最早面向公众商用的文生视频模型之一。

Midjourney V5 是 Midjourney 文生图模型的一个版本，2023 年 3 月 15 日以 alpha 形式发布，其后经过 5.x 多轮修订，并于 2023 年 12 月由 V6 接替。

SDXL 是 Stability AI 于 2023 年 7 月发布的开源文生图扩散模型：35 亿参数的基础模型加一个精修阶段，原生生成 1024×1024 图像；蒸馏版 SDXL Turbo 把生成压缩到一步。

DALL·E 3 是 OpenAI 的图像生成模型，2023 年 9 月 20 日公布，同年 10 月在 ChatGPT 中放出。它会先把用户的简短想法扩写成详细提示词再出图，后来被 GPT Image 取代。

Black Forest Labs（黑森林实验室）是德国弗莱堡的 AI 实验室，2024年创立，开发 FLUX 系列图像模型，2025年12月完成3亿美元 B 轮融资。

Sora 是 OpenAI 的文生视频模型，2024 年 2 月预览、同年 12 月向付费用户开放，可生成长达一分钟的视频，2025 年由 Sora 2 接替，2026 年停止服务。

Stable Diffusion 3 由 Stability AI 于2024年2月22日预览发布，是一组参数从8亿到80亿不等的模型，结合了扩散 Transformer 与流匹配（flow matching）。

海螺AI 是 MiniMax 的生成式 AI 产品，2024 年起步于文本与音乐生成，后扩展到视频。2025 年多家好莱坞制片公司起诉 MiniMax 侵犯著作权。

Veo 是 Google DeepMind 的生成式视频模型，2024 年 5 月发布，可生成超过一分钟的 1080p 视频，同年 12 月由 Veo 2 接替。

可灵大模型 1.0 是快手的视频生成模型，2024 年 6 月 6 日开放文生视频测试，可生成最长两分钟、最高 1080p 的视频。

可灵 AI 是快手的 AI 视频与图像创作平台，建立在可灵系列模型之上。2024 年 6 月开始测试，同年 7 月全球开放公测；截至 2025 年 12 月，其年化收入（ARR）已超过 2.4 亿美元。

Runway 于 2024 年 6 月发布的视频生成模型，视频与图像联合训练，支持转场、关键帧等时间控制，后又加入 API、视频转视频和 Act-One 表演驱动。

FLUX.1 是 Black Forest Labs 于2024年8月1日发布的120亿参数文生图（text-to-image）模型系列，分 pro、dev、schnell 三个版本，dev 为开放权重。

Amazon Nova 是亚马逊的基础模型家族，2024年12月3日推出，只在 Amazon Bedrock 中提供，2025年12月由 Nova 2 接续。

混元视频（HunyuanVideo）是腾讯开源的文生视频模型，参数超过 130 亿，2024 年 12 月发布。本地运行至少需要 60GB 显存。

Step-Video-T2V 是阶跃星辰开源的文生视频模型，参数规模 300 亿。2025 年 2 月 17 日发布权重、代码、Turbo 版本和技术报告，采用 MIT 许可证。

通义万相 Wan2.1 是阿里巴巴于 2025 年 2 月开源的视频生成模型，可以根据文字或图片生成视频，并能在画面中呈现中英文文字。

Runway Gen-4 是 Runway 于 2025 年 3 月 31 日发布的视频生成模型，能让角色、地点和物体在不同镜头间保持一致，依靠参考图和文本指令工作，无需针对每个项目单独训练。

可灵 2.0 是快手于 2025 年 4 月面向全球推出的 AI 视频生成模型，被公司称为「全球最强」，带来多模态编辑能力，并提出多模态视觉语言概念。

π0.5 是 Physical Intelligence 于 2025 年 4 月发布的视觉-语言-动作模型，主打开放环境泛化，通过混合多种异构数据共同训练，能让移动机器人整理从未见过的房间。

Veo 3 是 Google 于 2025 年 5 月 20 日在 Google I/O 上发布的视频生成模型，能生成带原生音频的视频，包括口型同步的角色对白；其输出带有 SynthID 水印。

FLUX.1 Kontext 是 Black Forest Labs 于 2025 年 5 月 29 日宣布的图像模型系列，可以同时以文字和图片为输入，进行生成与编辑。其开放权重的 dev 版本于 2025 年 6 月发布。

Seedance 1.0 是字节跳动 Seed 于 2025 年 6 月发布的视频生成模型。同一个模型可做文生视频与图生视频，能生成 1080p 多镜头视频，并在 Artificial Analysis 两个榜单上排名第一。

Genie 3 是 Google DeepMind 的通用世界模型，于 2025 年 8 月 5 日公布。它用文字提示生成可实时导航的 720p 交互环境，帧率为每秒 24 帧，以有限研究预览的形式发布。

Nano Banana 是谷歌 Gemini 2.5 Flash Image 的昵称，2025 年 8 月 26 日发布，能融合多张图片、在多次编辑中保持人物一致，并按自然语言指令做局部修改。

Seedream 4.0 是字节跳动 Seed 团队于 2025 年 9 月发布的图像模型，把文生图、图像编辑和多图组合放进同一套架构，可输出 1K 至 4K 的原生高分辨率图像。

腾讯 2025 年 9 月开源的图像生成模型：原生多模态，用自回归的混合专家结构把图像理解与生成放进同一个框架。

Sora 2 是 OpenAI 于 2025 年 9 月 30 日发布的第二代视频与音频生成模型，并推出 iOS 社交应用。2026 年 OpenAI 宣布终止 Sora 服务。

文心大模型 5.0（ERNIE 5.0）是百度于 2025 年 11 月发布的原生全模态基础模型，百度称其参数规模为 2.4 万亿，2026 年 1 月起向企业和个人开放，模型为非开源。

FLUX.2 是 Black Forest Labs 于 2025 年 11 月 25 日发布的图像生成与编辑模型系列，包含托管版本与开放权重版本，支持最高 4 百万像素输出和最多 10 张参考图。

可灵 O1（Kling O1）是快手于 2025 年 12 月 1 日发布的视频模型，被介绍为「全球首个统一多模态视频模型」：文本、图像、视频与主体输入进入同一引擎，生成与编辑共用一套模型。

可灵 3.0 是快手的视频与图像模型系列，2026 年 2 月 5 日以四款模型在全球上线。它可以一次生成最长 15 秒并带同步声音的视频，支持多镜头生成，并提供原生 4K 输出。

Gemini Omni Flash 是 Google DeepMind 的视频生成模型，能用文本、图像、音频和视频参考生成并修改视频。

Vidu S1 是生数科技 2026 年 7 月发布的实时交互视频生成模型：它把语音指令当作控制输入，在普通消费级显卡上以 540p、最高 42 帧每秒持续生成，不因时长增加而模糊或漂移。

FLUX 3 是 Black Forest Labs 于 2026 年 7 月 23 日宣布的多模态模型系列，涵盖图像、视频、音频和动作预测。其视频模型于 2026 年 8 月 4 日正式开放。

Vidu S2 是由两个模型组成的实时视频生成系统：S2-Avatar 实时生成 720p 的交互数字人，S2-Editing 对输入视频流做实时编辑，两者还探索了面向沉浸式显示的立体视图生成。

PixVerse R2 是 2026 年 9 月 22 日发布的实时世界模型，在 R1 基础上升级：它在用户身处其中时持续生成可漫游的世界，并在一次会话内保留状态。

可灵 4.0 是 2026 年 10 月向全部用户开放的视频生成模型，支持更长镜头、多张参考图和更可信的物理碰撞，并配有面向批量生产的更快版本可灵 4.0 Flash。

Suno 是一个 AI 音乐生成产品：用一段提示词就能做出一首歌，同时配有浏览器工作室、人声录制和分轨分离等制作工具。

ElevenLabs 是一个以语音为核心的 AI 平台，业务覆盖语音生成、面向客户体验的语音智能体（voice agent）和创意工具，2025 年底年度经常性收入达到 3.5 亿美元。

伊恩·古德费洛是 2014 年提出生成对抗网络的论文第一作者，该方法让生成器与判别器互相对抗训练。他先后任职于 OpenAI、Google Brain 和 Apple。

Runway 做生成式视频、图像与音频工具，服务 6000 多万创作者，同时研究能实时模拟视频、音频和界面的通用世界模型。

德克·金马（Durk Kingma）是机器学习研究者，变分自编码器与 Adam 优化算法的共同作者，先后在 OpenAI、Google Brain / DeepMind 和 Anthropic 从事研究。

埃马德·莫斯塔克（Emad Mostaque）是英国籍孟加拉裔前对冲基金经理，2019 年创立 Stability AI 并担任 CEO，直至 2024 年 3 月辞职。

程一笑是中国科技创业者，快手联合创始人，曾任首席产品官，2021 年起任首席执行官，2023 年起兼任董事长。

克里斯托瓦尔·巴伦苏埃拉是出生于智利的技术人员，也是 Runway 的联合创始人兼首席执行官（CEO）。Runway 在纽约创立，开发了 Gen 系列视频生成模型。

2018 年由 Diederik P. Kingma 与 Prafulla Dhariwal 发表的论文，提出以可逆 1x1 卷积为基础的生成流模型 Glow，在标准基准上提升了对数似然，并能高效地合成与操纵大尺寸图像。

Luma AI 是一家 2021 年成立于美国加州红木城的生成式 AI 公司，以 Dream Machine 视频应用、Ray3 视频模型和 Luma Agents 平台知名，累计融资超过 11 亿美元。

Midjourney V1 是 Midjourney 在 2022 年 2 月发布的第一个图像生成模型，通过其 Discord 服务器上的机器人使用。它生成的图像抽象、带有绘画感，几个月内就被 V2 和 V3 取代。

Midjourney V3 是 Midjourney 的第三代模型，2022 年 7 月 25 日发布，靠基于用户行为的反馈回路大幅提升出图质量；赢得科罗拉多州博览会数字艺术奖的那幅作品就出自这一时期。

Midjourney V4 是 Midjourney 于 2022 年 11 月 5 日以 alpha 形式发布的第四代图像生成模型，也是该公司首批在 Google TPU 上训练的模型，图像质量较 V3 有明显提升。

Stable Diffusion 2 是 Stability AI 于 2022 年 11 月 24 日发布的开源文生图模型系列，采用新的 OpenCLIP 文本编码器，并附带超分辨率、深度引导与修复模型。

文本水印是在语言模型生成的文字里嵌入一种人看不见、但程序能从一小段词元中检测出来的信号，用来判断一段文本是否出自某个模型。

Runway Gen-1 是 2023 年 2 月推出的视频到视频扩散模型，能用文字或图片提示改写已有视频，同时保留原片结构，是最早一批投入商用的视频生成模型之一。

Stable Audio 由 Stability AI 于2023年9月13日推出，是一款文生音乐与音效的工具；此后又有开放权重版本和面向企业的2.5版本。

v0 是 Vercel 推出的生成式 UI 工具，能把一句描述变成基于 React、Tailwind CSS 和 shadcn/ui 的前端代码。2023 年 10 月，它在积累 10 万等候名单后从 Alpha 进入 Beta。

Lyria 是 Google DeepMind 的音乐生成模型系列，2023 年 11 月首次公布。它能生成含器乐与人声的音乐，音频带 SynthID 水印。

Stable Video Diffusion 是 Stability AI 于 2023 年 11 月 21 日发布的研究预览版图像转视频模型，可把一张静态图片生成为数秒短片。

谷歌第二代文生图模型，2023 年 12 月发布，最突出的特点是能在生成的图像里画出可读的文字和标志。

Midjourney V6 是 Midjourney 图像生成模型的一个版本，2023 年 12 月 21 日以 alpha 形式发布，从头训练历时九个月；其 6.1 更新于 2024 年 7 月推出。

Google DeepMind 的生成式世界模型，110 亿参数，能根据文本、图像或草图生成可逐帧操控的虚拟世界；是首个在无标注互联网视频上训练、无需动作标签的生成式交互环境。

混元 DiT（Hunyuan-DiT）是腾讯推出的开源文生图模型，对中文和英文提示词都有细粒度理解。2024 年的技术报告与模型权重均对外公开，人工评测中它超过多个开源模型，但落后于领先的闭源模型。

谷歌在 2024 年 5 月 I/O 大会上宣布的文生图模型，谷歌称其为当时质量最高的图像生成模型，画面瑕疵更少，文字渲染也有改善。

Dream Machine 是 Luma AI 的文本与图像生成视频工具，2024 年 6 月 12 日向公众开放。它后来成为 Luma 的 Ray3 与 Ray3.14 视频模型的载体。

可图（Kolors）是快手于2024年7月6日发布的开源文生图模型，基于潜在扩散，主打中英文双语提示词理解。

CogVideoX 是智谱 AI 与清华大学推出的开源文生视频模型系列，2024 年 8 月起陆续发布，前身是 2022 年开源的 CogVideo。

可灵 1.5 是快手于 2024 年 9 月推出的视频生成模型版本，支持 1080p 输出、运动笔刷和多种画幅，同年 12 月由可灵 1.6 接替。

Black Forest Labs 于 2024 年 10 月 2 日发布的闭源文生图模型，只通过 API 提供。官方称其出图速度是上一代的 6 倍，并曾在 Artificial Analysis 图像竞技场登上榜首。

Movie Gen 是 Meta 于 2024 年 10 月 4 日首次展示的一组媒体基础模型，涵盖视频生成、个性化视频、精确视频编辑和音频生成，发布时未公开提供。

Stability AI 于 2024 年 10 月推出的文生图模型系列：81 亿参数的 Large、4 步出图的 Large Turbo 和 25 亿参数的 Medium，按社区许可发布。

可灵 1.6 是快手于 2024 年 12 月推出的视频生成模型升级版本，改进了对运动与镜头描述的理解和画面质量，2025 年 4 月由可灵 2.0 接替。

Genie 2 是 Google DeepMind 开发的基础世界模型，于 2024 年 12 月 4 日公布，能把一张提示图像变成一个可玩的 3D 环境，人和 AI 智能体都能用键盘鼠标在其中行动。

Veo 2 是 Google 于 2024 年 12 月 16 日公布的视频生成模型，强调对真实物理和人体动作的理解，输出分辨率最高 4K、时长可延伸至数分钟。

NVIDIA Cosmos 是一组世界基础模型，可生成符合物理规律的视频，用于训练机器人和自动驾驶汽车，2025 年 1 月以开放权重发布。

混元 3D 2.0 是腾讯的大规模三维生成系统，输入条件图像即可生成带高分辨率纹理的三维资产；它由生成形状的扩散 Transformer 与生成纹理的模型组成，2025 年 1 月 21 日随技术报告一同开源。

Step-Audio 是阶跃星辰 2025 年 2 月 17 日开源的语音交互模型系列，包括 1300 亿参数的 Step-Audio-Chat 和 Step-Audio-TTS-3B。

Midjourney V7 是 Midjourney 的图像生成模型，2025 年 4 月 4 日以 alpha 版本向社区开放，是该公司第一个默认开启个性化的模型，也是第一个加入低成本、高速度草稿模式的模型。

Amazon Nova Sonic 是 Amazon Nova 系列中的语音到语音基础模型，2025 年 4 月 8 日发布，把语音识别、语言理解和语音生成放进同一个模型，而不是把多个模型串联起来。

Seedream 3.0 是字节跳动 Seed 团队的中英双语图像生成基础模型，在提示对齐、复杂中文字渲染、美学与原生 2K 输出上较 2.0 版有所改进，2025 年 9 月被 Seedream 4.0 接替。

可灵 2.1 是快手 2025 年 5 月底推出的视频生成模型，分 720p、1080p 和大师版三档，同年 9 月底被可灵 2.5 Turbo 取代。[^1][^2][^3]

Imagen 4 是 Google 于 2025 年 5 月 20 日发布的文生图模型，最高输出 2K 分辨率，细节与文字排版有所改进，接入 Gemini 应用等产品。

Midjourney 于 2025 年 6 月 18 日发布首个视频模型 V1，能把一张已有的图片变成约 5 秒的短片，被公司定位为通向实时开放世界模拟的第一步。

Runway Aleph 是 Runway 于 2025 年 7 月推出的视频模型，能对输入视频增删或改造物体、生成场景的新角度、更换风格与光线，覆盖多种视觉任务。

混元 3D 世界模型 1.0 是腾讯开源的 3D 世界生成模型，可从文字或图像生成可探索、可导出网格的三维场景。它于 2025 年 7 月发布，此后又推出了一系列更轻量、更快的版本。

2025 年 7 月以 Apache 2.0 许可开源的视频生成模型系列，把双专家的混合专家结构引入视频扩散，其中的 5B 版本可在单张消费级显卡上运行。

Qwen 系列的图像生成模型，200 亿参数，2025 年 8 月以 Apache 2.0 协议开源，以在图像中渲染文字（尤其是中文）见长。

MAI-Voice-1 是微软 AI 的语音生成模型，2025 年 8 月公布，是 MAI 系列的第一个模型，主打快速生成富有表现力的高保真语音。

可灵 2.5 Turbo 是快手于 2025 年 9 月底发布的视频生成模型，发布十天即被 Artificial Analysis 列为文生视频与图生视频全球第一，并把创作者单条视频的生成成本降低了近 30%。

Ray3 是 Luma AI 于 2025 年 9 月 18 日推出的视频生成模型，被其称为世界上第一个推理视频模型，支持 HDR 输出、原生 1080p 和 4K 神经放大。

MAI-Image-1 是微软首个完全自研的图像生成模型，2025 年 10 月 13 日发布，同年 11 月 4 日起进入 Bing Image Creator 与 Copilot。

Veo 3.1 是 Google 于 2025 年 10 月 15 日发布的 Veo 3 更新版本，为 Flow 带来音频能力和新的编辑功能；其 API 预览版已于 2026 年 10 月 22 日停止服务。

Nano Banana Pro（Gemini 3 Pro Image）是 Google 2025 年 11 月 20 日发布的图像生成模型，能在图中排文字，输出最高 4K。

Runway Gen-4.5 是 2025 年 12 月发布的视频生成模型，发布时位居 Artificial Analysis 文生视频排行榜第一，后加入原生音频与多镜头编辑。

可灵 2.6 是快手于 2025 年 12 月发布的视频生成模型，能在一次生成中同时产出画面、配音、音效与环境声，单条视频最长 10 秒。

GWM-1 是 Runway 发布的首个「通用世界模型」，以自回归方式实时逐帧生成 720p 视频，并可由相机位姿、机器人指令或音频驱动。

火山引擎于 2025 年 12 月 18 日发布的音视频生成模型，画面、人声、音乐与环境声一起生成，并保持毫秒级同步。

Nano Banana 2 是 Google 的图像生成与编辑模型 Gemini 3.1 Flash Image，2026 年 2 月 26 日预览发布。

Midjourney V8 于 2026 年 3 月 17 日以 alpha 形式上线，出图速度约为此前的 5 倍，新增原生 2K 渲染的 --hd 模式，并改进了图中文字渲染。

MAI-Image-2 是微软 AI 的第二代文生图模型，2026 年 4 月 2 日在 Microsoft Foundry 与 MAI Playground 向开发者开放，生成速度更快，在光照、肤色与图内文字上表现更好。

Stability AI 于 2026 年 5 月发布的一组音频生成模型：三个开放权重版本加一个通过 API 提供的大模型，可生成和编辑最长约 6 分 20 秒的音乐与音效。

Muse Image 与 Muse Video 是 Meta Superintelligence Labs 于 2026 年 7 月推出的首批媒体生成模型，其中 Muse Image 已上线。

Seedance 2.5 是字节跳动于 2026 年 7 月发布的音视频联合生成模型，单次可生成最长 30 秒的视频，支持多模态参考与局部编辑，是 Seedance 2.0 的后续版本。

阿纳斯塔西斯·耶尔马尼迪斯是生成式 AI 视频公司 Runway 的联合创始人之一，2018 年参与创办该公司，也是 Runway 视频生成模型 Gen-1 背后研究的共同作者。

帕特里克·埃瑟研究图像与视频生成模型：他是潜在扩散论文的共同作者、Stable Diffusion 3 论文的第一作者，并于 2024 年共同创办 Black Forest Labs。

布拉特曼是潜空间扩散论文的第二作者，也是 Stable Diffusion 3 论文共同作者，2024 年共同创办 Black Forest Labs。

潜在扩散论文的第一作者，该方法成为 Stable Diffusion 的基础；2024 年与 Andreas Blattmann、Patrick Esser 共同创办 Black Forest Labs，并担任 CEO。

Pika 是一套面向视频、图像与音频的 AI 创作工具，除网页版外还提供 iOS 应用、Model Context Protocol 服务器和 ChatGPT 应用，并把自家模型与第三方模型并列列出供选择。

Synthesia 是面向企业的 AI 视频平台：用户写好脚本，由 AI 数字人出镜播讲，产品覆盖视频生成、配音、翻译、录屏与动态图形，另有一条 Sessions 产品线做交互式角色演练和对话式问卷。

HeyGen 是一个用个人数字人制作 AI 视频的平台，用途包括社交内容、在线课程以及法律、金融、房地产等场景。其 Avatar V 模型主打长时间片段下保持一致，并支持 177 种以上语言。

大卫·霍尔茨是 Midjourney 的创始人。这家位于旧金山的独立研究实验室做出的文生图工具，是最为人所知的 AI 绘画产品之一。他此前还共同创办了手部追踪硬件公司 Leap Motion。

Midjourney V2 是 Midjourney 图像生成模型的第二个版本，2022 年 4 月 12 日发布，并在当年 7 月 V3 到来之前担任默认模型。官方后来把它描述为色彩浓烈、绘画感强，但连贯性较低。

Voxtral TTS 是 Mistral AI 于 2026 年 3 月发布的第一个文本转语音模型，约 40 亿参数，支持 9 种语言、最短 3 秒参考音频的音色克隆，权重开放但限非商业使用。