图像生成 模型

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。

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。

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。

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。

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）。

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。

xAI 于 2024 年 8 月发布的一对模型，以 beta 形式向 X 订阅用户开放，新增图像输入，公布基准成绩，后来公开了权重。

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。

OpenAI 于 2025 年 3 月 25 日在 ChatGPT 中发布的 GPT-4o 原生图像生成能力，取代 DALL·E 3，API 中名为 gpt-image-1，以准确渲染文字和精确遵循提示词为特点。

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。

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。

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。

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。

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。

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。

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。

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。

Amazon Titan 是亚马逊为 Amazon Bedrock 构建的基础模型系列，覆盖文本生成、嵌入和图像生成，2023 年发布，后来由 Amazon Nova 接替。

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。

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。

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。

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。

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。

Janus-Pro 是 DeepSeek 于 2025 年 1 月 27 日发布的多模态模型，同一个模型既能看图生文，也能按文字生成图片，有 1B 和 7B 两个规模，是 Janus 的升级版。

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。

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。

Step1X-Edit 是 StepFun 开源的图像编辑模型：多模态语言模型读参考图与编辑指令，扩散解码器负责出图，发布时一并公开权重、推理代码和评测集 GEdit-Bench。

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。

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-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。

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。

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。

GPT Image 2 是 OpenAI 于 2026 年 4 月 21 日发布的图像生成与编辑模型，同时名为 ChatGPT Images 2.0。

日日新 U1（SenseNova U1）是商汤科技 2026 年 4 月发布的开放权重多模态模型，采用 Apache 2.0 协议，不用独立的视觉编码器和 VAE 就能理解和生成图像。

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。

日日新 U1.5 是商汤发布的开源权重模型，80 亿参数，用同一套网络完成图像理解、推理与原生 4K 生成，不依赖独立的视觉编码器或 VAE，以 Apache 2.0 许可开放。

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。