Deep Research · Text-to-Image & Text-to-Video

生图 & 生视频模型
全景调研矩阵

横跨图像与视频两条线、30+ 模型的技术路线、价格、API 可用性与授权条款对比矩阵；深挖 2026 年最新模型；交叉核对 LMArena / Artificial Analysis / arena.ai 等榜单口径差异；并梳理生成式视觉从 GAN 到世界模型的完整历史脉络。

数据截至 2026-08-07（当日复核更新）来源：官方博客 · arXiv · 各榜单实时抓取榜单分数随日波动，仅代表快照
01 — State of the race

012026 年年中格局

整个赛道的头部竞争极度拥挤，前十模型 Elo 差距很小，没有任何一家握有稳固领先。四个最重要的结构性变化：

图像·质量领跑
推理式图像模型
GPT Image 2、Seedream 5、Nano Banana Pro 均在生成前先做一遍“推理/深度思考”，部分接入实时搜索，是 2026 最大架构转变。
视频·质量领跑
中国厂商主导已上线模型
字节 Seedance、阿里 Wan、MiniMax H3、快手 Kling 占据视频竞技场大部分头部；谷歌 Veo/Gemini 是最强西方玩家。
开源 vs 闭源
格局从“中美”转向“开闭”
前沿质量集中在闭源/仅 API；中国实验室（Qwen、混元、MiniMax）领跑开源阵营。新趋势：开源权重开始附带地域排除条款（如 H3 禁美/欧/英/韩）。
最大意外
OpenAI 退出消费级视频
Sora App 已于 2026-04 关闭，API 将于 2026-09 停用，转向“世界模型”研究；未公布 Sora 3。
02 — Comparison matrix

02核心对比矩阵

可切换图像/视频、按开源状态与 API 可用性筛选、点击表头排序。技术路线、价格、授权栏均带关键差异标注。

授权
模型 / 厂商发布技术路线关键能力价格（API）API授权榜单▼
GPT Image 2
OpenAI
2026-04原生多模态·生成前先推理2K、单次 8 图、非拉丁文字渲染强$0.01–0.21/张✓ 有闭源1339
Reve 2.1
Reve
2026布局优先·先搭结构再渲染4K、版式/构图强按平台✓ 有闭源1299
MAI-Image-2.5
Microsoft AI
2026微软首个自研前沿图像模型写实、通用按平台✓ 有闭源1270
Nano Banana 2
Google (Gemini 3.1 Flash Image)
2026-02LLM 原生·图像搜索接地512px–4K、极端比例、4角色一致~$0.067/2K✓ 有闭源1262
HiDream-O1-Image-1.5
HiDream
2026中国实验室·偏开放通用高质量按平台✓ 有部分开放1245
Seedream 5.0 Pro
字节跳动 ByteDance
2026-02DiT·深度思考推理 + 联网 RAG4K、图层编辑、锚定 Seedance 视频未公布✓ 有闭源1240
Nano Banana Pro
Google (Gemini 3 Pro Image)
2025-11LLM 原生·推理+实时搜索接地2K/4K、14 图混合、5 人一致、可读长文本~$0.134/2K✓ 有闭源1225
Qwen-Image-3.0⚠️ 无权重/无授权/无benchmark
阿里巴巴 Alibaba
2026-07架构未公开（疑仍 MMDiT）4500 token 提示、10px 文字、12 语种密集版式未公布✗ 无仅托管·无权重—
Qwen-Image (v1)
阿里巴巴 Alibaba
2025-08~20B MMDiT · Qwen2.5-VL 文本编码中英文字最佳、可编辑云 API 计费✓ 有开源 Apache-2.0—
FLUX.2
Black Forest Labs
2025-11整流流/Flow-Matching Transformer + Mistral-24B VLM4MP、最多 10 参考图、统一生成+编辑$0.014–0.07/张✓ 有部分开源(klein 4B Apache/其余非商用)—
Hunyuan Image 3.0开源榜最强
腾讯 Tencent
2025MoE 扩散 · 80B 总参/64专家/~13B激活中英双语文字业界领先、动漫游戏角色开源自托管✓ 有开源·社区授权—
Imagen 4 / Ultra
Google DeepMind
2025-06扩散 · SynthID 水印文字渲染改进、Fast/Std/Ultra 档$0.04 / $0.06/张✓ 有闭源—
Midjourney V8.2⚠️ 无公开API
Midjourney
2026-07专有扩散（架构未公开）美学标杆、2K HD、个性化仅订阅✗ 无闭源·无官方API—
Ideogram 4.0由闭转开
Ideogram
2026-06排版/版式优先基础模型多语文字、边界框布局控制、透明图层$0.03–0.10/张✓ 有开源·商用授权—
Recraft V4⚠️ 发布日期待确认
Recraft
2026扩散·设计工作流优化原生 SVG 矢量、品牌风格锁定、标题文字官网计费✓ 有闭源—
Stable Diffusion 3.5
Stability AI
2024-10MMDiT 整流流本地可微调生态(LoRA/ControlNet)开源/Ultra API✓ 有开源·社区授权—
Kolors已略显过时
快手 Kuaishou
2024扩散·强中文支持写实、开源生态在用开源自托管✓ 有开源—
显示 17 个图像模型 · 榜单列取 Artificial Analysis 竞技场 Elo（图像 T2I / 视频 T2V）当前快照，“—”表示不参与或无稳定排名 · ⚠️ 表示需注意的口径/发布状态问题
03 — Latest models

03最新模型深挖

几款热议模型的核对结果：Flux 3 —— 截至 2026-08 并不存在，Black Forest Labs 最新为 FLUX.2（2025-11），2026-01 追加开源 klein。Seedance 2.5 ✅ 已发布（字节，2026-07-31，API 已上线火山方舟/即梦/豆包）。Wan 3 ✅ 已上线（阿里 Wan 3.0，2026-08，DashScope 闭源 API；网传“4K”无依据）。Minimax H3 ✅ 已发布（即海螺 Hailuo 3.0，2026-07-31，权重已于 08-02 放出，但授权排除美/欧/英/韩）。Qwen-Image-3.0 ✅ 已发布（阿里，2026-07-21，但无权重、无授权、无 benchmark，仅 Qwen Chat 托管，能力为厂商宣称）。
图像·开源旗舰

FLUX.2

Black Forest Labs · 2025-11（klein 2026-01）

原 Stable Diffusion 原班团队，西方最强开源权重图像家族。

技术路线
整流流/Flow-Matching Transformer，[dev] 32B，配 Mistral-Small-3.2-24B VLM 作文本/知识骨干
能力
4MP、最多 10 张参考图、统一生成+编辑、复杂排版/信息图
授权
pro/flex/max 闭源 API；dev 32B、klein 9B 非商用；仅 klein 4B + VAE 为 Apache-2.0 可商用
价格
$0.014（klein）/ $0.03（pro）/ $0.07（max）每张
图像·透明度存疑

Qwen-Image-3.0

阿里巴巴 · 2026-07-21

能力强但发布方式罕见：只托管、不放权重。

技术路线
架构未公开，是否仍 MMDiT 不明
能力
提示词 ≤4500 token、文字小至 10px、12 语种 20+ 字体、单遍密集版式（报纸/试卷/漫画）
授权
无权重、无 model card、无授权、无 benchmark，仅 Qwen Chat 可用
提醒
所有能力均为厂商宣称，未经独立验证——与阿里此前开源做法明显背离
图像·推理式前沿

Nano Banana Pro / 2

Google Gemini 3 Pro / 3.1 Flash Image · 2025-11 / 2026-02

把“推理模型当图像生成器”范式推到当前顶点。

技术路线
LLM 原生，借 Gemini 3 推理 + Google 搜索实时接地来“规划”图像
能力
2K/4K、多语可读长文本、Pro 混合 14 图保 5 人一致、2 号独占图像搜索接地
价格
Pro ~$0.134/2K；Nano Banana 2 ~$0.067/2K、Lite 更便宜
授权
闭源，输出可商用，均带 SynthID + C2PA
图像·竞技场第一

GPT Image 2

OpenAI · 2026-04

Artificial Analysis 图像榜当前 #1（~1339）。

技术路线
原生多模态，“先推理再生成”（1.5 一脉为自回归）
能力
2K、单次 8 张连贯图、非拉丁文字渲染强、UI/截图生成
价格
$0.01（low）/ $0.05（med）/ $0.21（high）每张
提醒
OpenAI 将于 2026-12 前弃用三个旧图像 API
视频·中国前沿

Seedance 2.5 / 2.0

字节跳动 Seed · 2026-07-31 / 2026-02

2.0 是 API 主力；2.5 的 API 已在火山方舟上线，主打 30 秒单镜头一次成片。

技术路线
2.0 为双分支 DiT，视频与音频并行分支→同步原生音；2.5 增加时间戳级精确编辑、绿幕与镜头视角控制
能力
2.0：2K、4–15s、12 跨模态参考；2.5：原生 30s 单镜头+多轮续段、30图/10视频/10音参考
价格
2.0 ~$0.01–0.15/s；2.5 火山方舟 ¥42（含视频输入）/¥70（纯文）每百万 token，BytePlus $6.40/$10.70
渠道
2.5 已上线即梦网页版/豆包/火山方舟（模型号 doubao-seedance-2-5-260628）；BytePlus ModelArk 即将开放
视频·omni 模态

MiniMax H3（海螺 3.0）

MiniMax · 2026-07-31（权重 08-02 放出）

竞技场 T2V ~#2；权重已于 08-02 实际放出——但划定了排除地区。

技术路线
omni-modal，33B 稠密单流 Transformer + H3-VAE（~4× 序列效率），原生 768px 短边、2K 需二次再生成
能力
2K、4–15s@24fps、原生立体声、复杂跨模态指令（“用视频1的运镜+图2的角色唱歌”）
权重
fl2va（文/图生视频）+ ref2va（参考生视频）双 checkpoint；int8 剪枝 42.5GB 起、全精度 123.6GB；ComfyUI 12GB 显存 + 64GB 内存可跑
授权
社区授权（非 OSI）：可商用但须界面标注“MiniMax H3”、年营收 >2000 万美元需书面授权；排除美国/欧盟/英国/韩国，且条款延伸到产出内容
价格
托管 API $0.14/s @2K（~$8.4/分钟）
视频·开闭分野

Wan 3.0 / 2.2

阿里巴巴 · 2026-08 / 2025-07

想要开源权重就用 2.2（Apache-2.0）；3.0 已上线但闭源、未基准测试。

技术路线
2.x 为潜空间视频 DiT + Wan-VAE；3.0 omni 架构未公开
能力
3.0 ≤30s、480/720/1080p、文图音视 omni 参考；2.2 加 MoE
价格
3.0：$0.05（480p）/ $0.10（720p）/ $0.20（1080p）每秒
提醒
网传 3.0“4K”无价目支撑；2.1/2.2 开源 Apache-2.0 可商用、1.3B 可 8GB 显存跑
视频·最强西方

Veo 3.1

Google DeepMind · 2025-10（Lite 2026-03）

2025-05 Veo 3“告别默片”，原生同步音频的开创者。

技术路线
时空 patch 潜扩散 Transformer + 原生 48kHz 对白（~120ms 唇同步）
能力
8s 基础、场景链接 ≤140s+、720p/1080p/4K、24fps
价格
Fast ~$0.10/s；Std/Quality ~$0.20–0.60/s；Lite <$0.10/s
授权
闭源，Vertex AI / Gemini API，输出可商用
视频·多模态

Kling 3.0

快手 Kuaishou · 2026-02

MVL 多模态框架，原生多语音频 + 参考视频提角色一致。

技术路线
多模态视觉语言(MVL)框架，文/图/音/视全模态进出
能力
≤15s、中英日韩西 + 口音多角色对白、Omni 从参考视频抽取角色特征、多镜头分镜
用户量
服务 6000 万+ 创作者，先 Ultra 订阅早访后公开
授权
闭源，积分制
视频·退场中

Sora 2

OpenAI · 2025-09-30

技术强但正退出市场——2026 最大战略故事。

技术路线
DiT 时空 patch + 原生音频（对白/音效/环境）+ 物理真实 + Cameos 真人植入
关停
App 已于 2026-04-26 关闭，API 将于 2026-09-24 停用
去向
转为研究向“世界模型”，算力转向编程/企业；未公布 Sora 3
建议
不宜再作为搭建平台
04 — Leaderboard methodology

04榜单口径交叉核对

同一个模型在不同榜单能差出上百 Elo。根因：三个都叫“arena”的东西其实是三家不同机构、不同投票池、不同评分数学——再加上一整类“自动化学术基准”，测的根本不是同一件事。

为什么同一模型排名差异巨大

  • 测的构念不同：偏好 vs 忠实度竞技场（LMArena / AA / arena.ai）奖励“人类一眼觉得哪个好看”，被美学、光影、锐度、排版主导；学术基准（GenEval / T2I-CompBench / DPG / VBench）用检测器测“是否照提示词做到”，几乎不看美观。一个为美学做过 RLHF 的模型可能竞技场第一、组合性基准平平。
  • 评分数学与量纲不同LMArena 用 Bradley-Terry（+ 置信区间 + 风格控制）；AA 与 arena.ai 用 Elo 但锚定不同（arena.ai 顶分冲到 ~1380/1513，AA ~1339/1244）；llm-stats 用 TrueSkill（μ−3σ），量纲完全不同。只有同榜内的排名可比。
  • 测的其实是不同版本/端点LMArena 列“GPT Image 1.5”，AA 列“GPT Image 2 (high)”，arena.ai 列“gpt-image-2 (medium)”。很多“矛盾”只是两榜在测同一家族的不同 checkpoint / 画质档。
  • 投票池与提示词分布不同英语爱好者池 + 开放式提示词偏爱“抓眼球的全能选手”；排版/写实为主的提示词会换一批赢家。学术基准用固定提示集，去掉了选题噪声也去掉了真实多样性。
  • 厂商变体挤榜AA 榜里塞满同一模型的 fast/lite/pro/quality 档，“某家占了几个前十”会被高估。
Artificial Analysis · Text-to-Image Elo · 2026-08 快照
1GPT Image 2 (high) · OpenAI1339
2Reve 2.1 · Reve1299
3MAI-Image-2.5 · Microsoft1270
4Nano Banana 2 Lite · Google1263
5GPT Image 1.5 · OpenAI1263
6Nano Banana 2 · Google1262
7HiDream-O1-Image-1.5 · HiDream1245
8Seedream 5.0 Pro · 字节1240
9Nano Banana Pro · Google1225
10Cosmos3-Super · NVIDIA1219
⚠️ “Gemini Omni Flash”已同时出现在 AA 与 arena.ai 两榜（后者 1.4 万票），大概率为真实条目但仍无 Google 官方文档；“HappyHorse”“SkyReels V4”同样缺一手佐证，谨慎对待。
“arena.ai”歧义：字面是第三个独立众投站点（图像 586万票/视频 59万票），但口语里也常指 LMArena；其分数量纲整体偏高纯属锚定差异，不代表模型更强。
05 — Historical milestones

05历史节点脉络

具有重大历史意义的模型/论文——它们是什么、走的什么技术路线、对整个进程的影响。切换查看图像线或视频线；⭐ 为分水岭节点。

早期 · 学会生成 (2013–2015)
2013
VAE 变分自编码器
Kingma & Welling · 潜变量生成
重参数化技巧 + ELBO，把不可解的变分推断变成普通反向传播。确立可采样平滑潜空间与“编码器-解码器-先验”三件套——现代扩散在压缩潜空间运行正源于此。
2014
GAN 生成对抗网络
Goodfellow · 二人极小极大博弈
生成器与判别器对抗，无显式似然，用可学习的对抗损失逃离似然模型的模糊。统治了 2014–2020 约六年，也引入了“可学习感知目标”这一延续至今的思想；其模式崩溃与训练不稳定定义了整个 GAN 时代的研究议程。
2015
DCGAN
Radford 等 · 全卷积 GAN
一套让 GAN 稳定训练的架构范式（全卷积、BatchNorm），并演示潜空间语义算术。把 GAN 从脆弱玩具变成可用工具。
GAN 成熟期 (2016–2019)
2017
pix2pix / CycleGAN
Berkeley · 图到图翻译
把大量视觉任务框定为条件生成；CycleGAN 用循环一致性去掉配对数据需求。是 ControlNet“从引导图生成”的概念祖先，U-Net 生成器日后成扩散标配骨干。
2018-21
StyleGAN 1/2/3 · BigGAN
NVIDIA / DeepMind · 高清写实
StyleGAN 用 W 空间 + AdaIN 解耦粗/中/细属性，定义了人脸合成 SOTA；BigGAN 证明 GAN 质量随算力扩展，成为“扩散击败 GAN”要推翻的标杆。
自回归 / VQ 离散潜支线 (2016–2021)
2016-17
PixelRNN/CNN · VQ-VAE
DeepMind · token 化 + 似然
把图像当 token 序列做精确似然建模；VQ-VAE 引入“先学离散潜码、再对码建强先验”的两阶段配方——VQGAN、DALL·E 1、乃至 Stable Diffusion 潜空间的蓝本。
2020
VQGAN (Taming Transformers)
Esser/Rombach/Ommer
给 VQ 自编码器加 GAN+感知损失，再用 Transformer 自回归码 token。其对抗式自编码器几乎就是 Rombach 带进 Stable Diffusion 潜空间的同一思想。
2021
VQGAN + CLIP
社区现象 · 前扩散文生图时刻
用 CLIP 当评审优化 VQGAN 潜码——第一个大众可及的文生图体验，2021 年在 Twitter/Colab 病毒式流行，预演了引导思想。
文本条件的枢纽 (2021)
2021
CLIP
OpenAI · 4 亿图文对比学习
文生图爆发最关键的使能者。提供可微的语言↔像素通用桥梁，驱动 VQGAN+CLIP、SD 1.x 文本编码、GLIDE 引导、DALL·E 2 的 unCLIP 目标。文本条件路线第 1 站。
扩散基础 (2020–2021)
2020
⭐DDPM 去噪扩散
Ho/Jain/Abbeel
前向逐步加噪、U-Net 学反向去噪，核心简化是预测噪声 ε + MSE。GAN 级质量却无对抗不稳定与模式崩溃——开启取代 GAN 的扩散时代。
2020-21
Score-SDE · DDIM · 无分类器引导
Song / Nichol & Dhariwal / Ho & Salimans
SDE 框架统一了扩散的数学；DDIM 让 20–50 步确定性采样成为可能；2021“扩散击败 GAN”是象征性终结；无分类器引导(CFG)成现代文生图最重要的实用技巧——那个“提示词强度”滑块就是它。
文生图走向大规模 (2021–2022)
2021
DALL·E 1
OpenAI · 12B 自回归 Transformer
自回归而非扩散：dVAE token 化 + Transformer 按“文本 token 后接图像 token”建模。证明语言模型配方对图像也成立，是 GPT-4o 原生生图的直接祖先。
2022
DALL·E 2 · Imagen
OpenAI unCLIP / Google 级联+T5
DALL·E 2 用 CLIP 隐空间条件扩散引爆 2022 主流 AI 浪潮；Imagen 提出大语言模型编码器(T5)胜过对比式 CLIP——文本条件路线第 2 站。
开源分水岭 (2021–2022)
2022
⭐潜空间扩散 / Stable Diffusion
CompVis + Stability + Runway
关键效率洞见：在压缩潜空间而非像素上做扩散，算力降约一个数量级，能在消费级 GPU 训练/运行。8 月开源引爆整个生态（DreamBooth、LoRA、A1111、ComfyUI、Civitai、ControlNet）——本领域的开源分水岭。
2022-25
Midjourney 崛起
闭源专有扩散 · 主打美学
美学标杆与商业可行性证明；v5(2023 初)的超写实是文化拐点（“羽绒服教皇”），定义了产品品类。
可控性与规模 (2023)
2023
ControlNet · SDXL
Stanford / Stability
ControlNet 冻结底模 + 零卷积旁支，解决扩散精确空间/结构控制这一最大实用短板；SDXL 成为新开源基座。两者都还是 U-Net——是架构转向 Transformer 前最后的伟大 U-Net。
架构转向：DiT + 流匹配 (2022–2024)
2022
⭐DiT 扩散 Transformer
Peebles & Xie
用纯 Transformer 替换 U-Net，证明扩散质量随 Transformer 算力平滑可预测扩展。是此后每一个前沿模型的架构支点（Sora、SD3、FLUX 皆基于此）；作者后来共同领导 OpenAI Sora。
2022
整流流 / 流匹配
Liu / Lipman(Meta)
学一个把噪声输运到数据的速度场(ODE)并把路径拉直，更少步数、更高质量、更简训练目标，成为 SD3/FLUX 的数学基础。
2024
Stable Diffusion 3 · FLUX.1
Stability / Black Forest Labs
SD3 把 DiT + 流匹配 + T5 融进一个开源架构（MMDiT 双流），显著改善图中可读文字；FLUX.1(12B 整流流 Transformer)成为新开源质量领袖，带着原 SD 团队血脉。
统一 / 原生多模态回潮 (2024–2026)
2024
Chameleon · Transfusion · Janus
统一理解+生成
单一模型既理解又生成图像：全自回归离散 token（DALL·E 1 思想的现代化）或混合(AR 管文本、扩散管图像)。为随后的原生多模态产品奠定架构范式。
2025
⭐GPT-4o 原生生图 · Nano Banana
OpenAI / Google · 文本条件路线第 3 站
生图并入 LLM 自身：生成与推理融合，带来强指令跟随、世界知识、对话式迭代编辑与准确文字渲染（“吉卜力风”病毒时刻）。Nano Banana 树立身份一致编辑新标杆。确认原生多模态 LLM 而非独立扩散管线，成为可控生图的前沿。
2025-26
Nano Banana Pro / GPT Image 2 / Seedream 5
“推理式图像模型”
生成前先推理、部分接入实时搜索接地——把“推理模型即图像生成器”推到当前顶点，是纯扩散系统从未达到的可控性与多主体一致性。
06 — The through-line

06技术主线综述

// 生图 · 生成架构演进

VAE 2013→GAN / StyleGAN 2014-19→VQ-VAE / VQGAN 2017-20→DDPM 扩散 2020→潜空间扩散 SD 2022→DiT + 整流流 2022-24→LLM 原生多模态 2025-26

// 生图 · 文本条件路线演进

CLIP 2021→T5 大语言编码器 2022→LLM 原生（编码器即推理模型本身）2025-26

// 生视频 · 架构演进

视频 GAN 2016-19→自回归 token 2017-22→级联像素扩散 2022→潜空间视频扩散 2023→DiT 时空 patch（Sora）2024→开源 DiT + 原生音频 + 世界模型 2025-26

两条并存的技术优势

扩散/流模型（SD→SDXL→SD3→FLUX）主打开源效率与写实纹理；LLM 原生自回归（GPT-4o、Nano Banana）主打推理、可控、编辑与文字渲染——二者共同定义 2026 前沿。

视频四大难题

时序一致性、运动与物理、算力成本、时长。整部架构史就是逐一攻克它们的历史：GAN 给了运动、潜扩散砍了算力、DiT 给了可扩展的时空建模、原生音频给了“可信度”。

原生音频成标配

Veo 3（2025-05）“告别默片”、Sora 2（2025-09）之后，Kling 3.0、MiniMax H3、Seedance 2.0、Vidu Q3、LTX-2 均已原生出音；无音频的 Runway Gen-4 开始显得落伍。

新战场：时长与 omni 条件

前沿从 5-10 秒推进到 15-30 秒单镜头（Seedance 2.5、Wan 3.0），并转向 omni 多模态条件——把文/图/视/音一起作为参考，锁定角色、镜头与音色一致性。

07 — Reliability

07不确定性与免责说明

⚠️ 使用本报告前请注意

  • 榜单每日漂移：所有 Elo/排名均为 2026-08 初实时抓取，发布前建议重新拉取。不同榜单量纲不可跨榜比较。
  • “FLUX 3” 不存在：最新是 FLUX.2；“Veo 4”“Sora 3”亦无官方确认。
  • Qwen-Image-3.0 透明度缺口：发布时无权重、无授权、无 benchmark，所有能力为厂商宣称，未经独立验证。
  • MiniMax H3 权重已放出（08-02）但有地域排除：社区授权禁止美国/欧盟/英国/韩国本地部署，且条款延伸至产出内容；界面须标注“MiniMax H3”，年营收 >2000 万美元需书面授权。
  • Seedance 2.5 / Wan 3.0：2.5 API 已上线火山方舟（BytePlus 国际版即将开放），架构仍未公开；Wan 3.0 已上线但未被基准测试，网传“4K”无价目支撑。
  • 部分视频榜条目待核实：“Gemini Omni Flash”“HappyHorse”“SkyReels V4”缺一手来源。
  • 价格为公开档位估算：随平台、分辨率、时长、批量而变，落地前请以官方计费页为准。
主要来源
Artificial Analysis · 图像榜 · AA · 视频榜 · LMArena 方法论 · FLUX.2 · Qwen-Image · Seedream · Nano Banana Pro · Sora 2 · Sora 关停 · Veo · Kling 3.0 · MiniMax H3 · Wan 3.0 · Sora 技术报告 · DiT · Latent Diffusion · VBench
生图 & 生视频模型全景调研 · 数据截至 2026-08-07（当日复核更新） · 榜单分数为快照
这份生图/生视频全景调研对你有帮助吗？匿名投票，一秒钟

0 条讨论

你在用哪个模型？体验如何？
还没有人留言来写第一条——你想问的，多半也是别人想问的