2025年3月最后一周，全球AI多模态技术迎来密集突破。东方证券人工智能动态跟踪报告显示，OpenAI于3月25日发布GPT-4o原生多模态图像生成功能，整合Sora生图能力，用户描述图像后1分钟内生成，在文本集成、多对象绑定、上下文理解等方面明显改进。谷歌同日发布Gemini2.5Pro，以1443分在大模型竞技场ChatbotArena绝对优势登顶，领先第二名39分，同时VisionArena多模态能力也达榜首。阿里发布Qwen2.5-Omni全模态模型并开源7B版本。本文从技术突破、竞争格局、应用前景三个维度解析多模态AI的发展趋势。
OpenAI GPT-4o——原生多模态图像生成的里程碑
3月25日，OpenAI发布GPT-4o原生多模态图像生成功能，取代此前的DALL-E3并整合进Sora。用户只需在ChatGPT中描述图像，GPT-4o便能在一分钟内生成相应图像。核心改进包括：文本集成（将文字精准嵌入图片）、多对象绑定（图片中多个物体的位置、运动及光影关系准确呈现）、上下文理解与风格适应（保持多轮对话中的一致性）。生成图片质量更为真实准确，通过人类反馈强化学习提升准确性。
OpenAI为生成图像添加元数据，方便验证AI来源。该功能存在长图裁剪、非拉丁字符文本不准确等局限，但整体标志着多模态图像生成从“独立工具”向“原生能力”的进化。多模态能力不再需要切换不同工具，而是成为对话交互的自然延伸。
谷歌Gemini2.5Pro——多维度全面登顶
谷歌同日发布Gemini2.5Pro，CEO称其为“谷歌有史以来最智能的AI模型”。在ChatbotArena以1443分绝对优势登顶，领先第二名Grok3达39分，在复杂指令、编程、数学、创意写作、指令等子榜单中均保持明显优势。在VisionArena原生多模态能力也达榜首，图片理解、生成能力明显增强。保留100万token上下文窗口（即将提升至200万），支持文本、音频、图像、视频及完整代码库输入。
技术突破在于强化学习、思维链提示和后训练。推理能力在Humanity's Last Exam基准测试中超越OpenAI o3-mini（high）。实测中逻辑题、数学题、编程任务表现出色。Gemini2.5Pro的全面领先表明谷歌在多模态AI领域已重回领先位置。
中国厂商跟进——阿里Qwen2.5-Omni开源
3月27日，阿里发布Qwen2.5-Omni，7B全模态模型，采用Thinker-Talker双核架构，无缝处理文本、图像、音频、视频，支持实时语音问答交互。Apache 2.0许可，支持开发者免费商用及终端部署。在OmniBench多模态基准测试中达到领先水平，语音生成测评分数4.51（与人类持平）。
Qwen2.5-Omni的开源策略降低了多模态AI的开发门槛，开发者可基于7B参数模型进行二次开发。与GPT-4o和Gemini2.5Pro的闭源路线不同，阿里的开源路线有望吸引更多开发者共建生态。全球AI多模态技术路线呈现“闭源+开源”双轨并行的格局。
表4：本周多模态大模型核心对比| 模型 | 发布方 | 核心特点 | 开源情况 |
|---|
| GPT-4o图像生成 | OpenAI | 原生多模态，1分钟生成，文本精准嵌入 | 闭源 |
| Gemini2.5Pro | 谷歌 | ChatbotArena 1443分，多模态榜首 | 闭源 |
| Qwen2.5-Omni | 阿里 | 7B全模态，Apache 2.0许可 | 开源 |
投资建议——关注多模态AI核心标的
多模态AI进入密集突破期，建议关注产业链核心受益标的：快手-W（01024，买入），可灵图生视频全球第一，多模态视频生成技术领先；阿里巴巴-W（09988，买入），Qwen2.5-Omni开源全模态模型，通义系列为全球最大开源模型族群；腾讯控股（00700，买入），微信AI搜索接入混元T1，卡位最佳社交应用场景。多模态AI从技术突破走向应用落地，具备场景和数据优势的企业有望率先受益。
