2025年的AI爆点正在发生转移。
在上半年的时候，DeepSeek R1把行业情绪给引爆了，之后呢，在“纯文本+推理”这种范式之下，模型很少再出现那种重量级的成果。当下半年一到来，话题的重心明显出现了朝着多模态领域滑落的情况
可交付应用中被封装是Sora 2，谷歌推出图像编辑更强悍的Nano Banana；AI Agent这里也是这样的情况，通用型产品Manus有更突出文本属性后，聚焦视觉创作场景主推的LoveArt达到相近分级热度 。
在这背后，文本模型的迭代进入一个阶段，这个阶段基线较高，并且是小步抬升的，而多模态理解与生成能力在可用性方面，朝着“破圈”层级又迈进了一步。
一名研究人员，其从事模型训练工作，向界面新闻记者指出，要理解这个现象，首先得认识到，文本方向的研究与多模态方向的研究，二者是并行的，并非串行的。
GPT - 3之后，GPT - 4出现，OpenAI o1成为重大节点，历经这些，大模型语言理解能力可交付C端应用，后续优化聚焦稳态工程，像对齐、降本、延迟优化、鲁棒性等，这些能进一步优化C端应用体验以及B端商用价值，不过用户感知不像GPT - 4来临之时有强烈冲击。
成为典型模样的一个实例，那便是DeepSeek - OCR ，它是一个在所具备的话题性质这一方面，没办法达成令人内心受到冲击震撼效果的演示样品呢，不过呢，可以存在着其一直持续下去的那种影响力 。
它是在10月20日推出的，被定位于进行文本视觉压缩能力的探究，也就是光学上下文压缩，即Contexts Optical Compression。简单来讲，随着上下文输入数量的增加，模型计算的量会以平方级急剧增长，不过借助把长文本转化成图像识别，能够极大地压缩token计算的数量。这一思路经证实所取得的成果是，一旦它落实到应用方面，同样是一种前景相当确切的降低成本提高效率的方式。
多模态的这一边是全然不一样的，它的能力曲线依旧处于能够被更多人察觉到的范围之中。然而，前面提到的那位受访者表明，按照并行的想法来讲，多模态模型的这一头尚未达成架构层面的突破，更多的是足够的数据积累以及训练技巧的提高。
图源：界面新闻
如同他针对Sora 2以及Nano Banana所做出的判断，除掉OpenAI对于多模态生成类产品的初步构想形成，还有谷歌对图像编辑器当前阶段用户需求的掌握（比如说确定一个点来开展针对性更改），两款产品在生成质量方面并未达成飞跃。
并且，在很大程度上，多模态生成领域，也就是以“文生图、文生视频”为代表的那个领域，它的表现优化是以文本模型性能提升作为前提的。阶跃星辰创始人兼CEO姜大昕，此前在接受界面新闻记者采访的时候指出，理解与生成之间存在这样的关系，即理解控制生成，同时生成监督理解。
一级市场正也在目睹着这样一种关注点的转换。有那么一位AI投资人针对界面新闻记者表明，他自身的感受是这样的，即今年整个行业所涉及的投资事件有所增多，然而投资规模却是朝着降低的方向发展，这是由于在投资重点从模型层朝着应用层进行过渡之后，是由后者的市场规模以及估值所决定产生了上述状况 。
在这当中，今年最为显眼的一笔出自应用层视觉创作领域的LiblibAI ，10月23日，LiblibAI宣称完成1.3亿美元B轮融资，红杉中国、CMC资本等参与到其中 ，从而促成今年国内资本市场AI应用赛道规模最大的一笔融资 ，这意味着相对其他赛道而言 ，团队的PMF（product-market-fit）更大程度上得到资本认可 。
往后，相当长的一段时间里。业界有望期望的“爆点”。或许都会更多地源自多模态领域。
姜大昕始终着重强调的看法是，仅仅具备语言方面的智能是不足够的，朝着多模态发展是大模型必然要经历的过程，并且，在当前这一具体领域之中，达成理解与生成二者的统一依旧是现阶段的关键突破所在。
多名受访者，曾对界面新闻记者表示，站在模型训练角度，视觉模态比文本模态面临的挑战更大，单从数据上来看，文本的表征可以在语义上自闭环，然而视觉信息的表征需要先与文本对齐，不存在天然自闭环的数据，“可能需要几次像GPT、强化学习范式这样的大技术变迁才能解决。”一名受访者说 。
另一派看法觉得，依靠更优良的多模态模型，世界模型、具身智能、空间智能等才能够获得显著进步，行业才会更接近AGI（通用人工智能） 。
有更现实的考量，模型决定应用能力上限，当文本模型集中精力降低成本提高效率且缓慢提升性能时，多模态模型的突破有希望给市场带去更多PMF机会，可这还是创业者和投资人眼中更具实际价值的关键变化。
