阿里巴巴推出开放式世界模型Happy Oyster，支持多模态输入与音视频联合生成，专注于实时世界创建与交互，开启早期体验申请。
通义实验室发布多模态大模型Qwen3.5-Omni，实现理解力、交互感和任务执行力的跨越式进化，推动AI从“屏幕助手”迈向“理解物理世界的智能体”。该模型采用原生“全模态”架构，能无缝处理文本、图像、音频和视频输入，在音视频分析、推理、对话及翻译测试中表现卓越。
谷歌发布Gemini Embedding2多模态嵌入模型，可将文本、图像、视频、音频及PDF统一映射到同一语义空间，简化AI数据处理，提升多模态检索与理解能力。这标志着谷歌从单一文本嵌入迈向统一多模态语义建模。此前，谷歌曾推出支持百种语言的文本嵌入模型。
字节跳动Seed团队发布新一代视频创作模型Seedance2.0，采用统一的多模态音视频联合生成架构，推动AI视频生成从“单点突破”迈向“全能协作”的工业级应用阶段。相比1.5版本，新模型在复杂交互与运动场景下的可用率显著提升，通过出色的物理还原能力，攻克了双人花滑、多人竞技等高难度动作生成难题。
Openai
$2.8
Input tokens/M
$11.2
Output tokens/M
1k
Context Length
Google
$0.49
$2.1
Xai
$1.4
$3.5
2k
-
Anthropic
$105
$525
200
$0.7
$7
$35
$17.5
$21
Alibaba
$4
$16
$1
$10
256
$2
$20
$6
$24
Baidu
128
$8
$240
52
TencentARC
ARC-Qwen-Video-7B是腾讯ARC实验室开发的用于理解现实世界短视频的多模态模型，基于Qwen2.5-VL-7B-Instruct构建，支持音视频同步分析和理解。
%20--%3e%3cdefs%3e%3cstyle%3e%20.st0%20{%20fill:%20%23061b40;%20}%20.st1%20{%20fill:%20%23306af1;%20}%20.st2%20{%20fill:%20%235ce5cf;%20}%20%3c/style%3e%3c/defs%3e%3cg%3e%3cpath%20class='st0'%20d='M55,10.5h9v3h-9v9h12V7.5h-12v3ZM64,19.5h-6v-3h6v3Z'/%3e%3cpolygon%20class='st0'%20points='69%2016.5%2078%2016.5%2078%2019.5%2069%2019.5%2069%2022.5%2081%2022.5%2081%2013.5%2072%2013.5%2072%2010.5%2081%2010.5%2081%207.5%2069%207.5%2069%2016.5'/%3e%3cpolygon%20class='st0'%20points='95%2010.5%2095%207.5%2083%207.5%2083%2022.5%2095%2022.5%2095%2019.5%2086%2019.5%2086%2016.5%2095%2016.5%2095%2013.5%2086%2013.5%2086%2010.5%2095%2010.5'/%3e%3cpath%20class='st0'%20d='M40,1.5v21h11.6l1.4-1.4v-7.6h0c0,0-1.4-1.5-1.4-1.5l1.4-1.4V2.9l-1.4-1.4h-11.6ZM50,19.5h-7v-6h7v6ZM50,10.5h-7v-6h7v6Z'/%3e%3c/g%3e%3cpath%20class='st1'%20d='M23.1,24L14.7,4.8l-4.9,11.2h3.8l-1.8,4H3.3L12.1,0H2C.9,0,0,.9,0,2v20c0,1.1.9,2,2,2h21.1Z'/%3e%3cpath%20class='st2'%20d='M34,0h-16.8l10.6,24h6.2c1.1,0,2-.9,2-2V2C36,.9,35.1,0,34,0ZM32.5,20h-4V4h4v16Z'/%3e%3c/svg%3e)
