计算机行业动态报告：AI应用货币化先锋-GPT5前瞻之多模态

GPT5前瞻之多模态——AI应用货币化先锋 2025年07月29日 ➢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。 推荐 维持评级 ➢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”； 分析师吕伟执业证书：S0100521110003邮箱：lvwei_yj@mszq.com ➢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； 研究助理白青瑞执业证书：S0100124010021邮箱：baiqingrui@mszq.com ➢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： 相关研究 ➢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； 1.计算机周报20250727：迎接从“互联网+”到“AI+”的伟大跨越-2025/07/272.计算机行业深度报告：稳定币与RWA的全景扫描-2025/07/263.计算机行业2025Q2持仓分析：机构持仓处历史底部，集中度有所降低-2025/07/254.计算机周报20250720：国产AI算力潜力被低估-2025/07/205.计算机周报20250713：金融科技之后，国产算力与AI应用怎么看？-2025/07/13 ➢1）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； ➢2）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； ➢2）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； ➢3）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。 目录 1 GPT5发布在即，有望挑战多模态AI新高度............................................................................................................3 1.1多模态AI的新基准：“多模态通才”...............................................................................................................................................31.2科技巨头纷纷押注多模态AI............................................................................................................................................................5 2.1美图：RoboNeo定义AIGC Agent新范式................................................................................................................................92.2快手：可灵AI货币化进程亮眼.....................................................................................................................................................102.3万兴科技：天幕2.0+超媒Agent切入蓝海市场......................................................................................................................112.4合合信息：扫描全能王的能力范围加速扩展..............................................................................................................................122.5福昕软件：智能文档解决方案加速落地......................................................................................................................................132.6其他多模态AI应用.........................................................................................................................................................................14 插图目录..................................................................................................................................................................17 1GPT5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。 资料来源：新智元微信公众号，民生证券研究院 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。 资料来源：新智元微信公众号，民生证券研究院 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。 资料来源：新智元微信公众号，民生证券研究院 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。