AIGC多模态能力排名：图文音视频全评测

根据智源研究院2025年底发布的FlagEval”百模”评测结果及多模态专项评测数据，结合国内外主流模型表现，AIGC多模态能力排名如下（按模态分类）： 一、视觉语言模型（图文理解） GPT-o（OpenAI） 全球第一，中文图表理解能力领先，尤其在MMStar、CCBench等中文评测集表现突出。 豆包视觉理解模型（字节跳动） 中文通用知识、文字识别能力显著优于国际模型，综合排名第二。 Claude.Sonnet（Anthropic） 英文图表理解能力最强，但中文场景表现弱于豆包。 二、文生图模型 腾讯混元Image 全球第一，中文提示词理解能力突出。 豆包文生图模型（即梦P.pro） 全球第二，动态场景生成稳定性强于DALL·E。 Meta Imagine 国际模型中表现最佳，但中文适配性弱于国产模型。 三、文生视频模型 快手可灵.（高品质版） 全球第一，动态镜头语言和转场流畅度领先。 爱诗科技PixVersev 物理规律理解能力较强，但存在物体穿模问题。 OpenAI Sora 演示视频长度和质量优势显著，但开放评测样本较少。 四、语音语言模型 通义千问Qwen-Audio（阿里巴巴） 全球第一，支持多语言语音识别与生成。 DeepSeek Audio（深度求索） 中文方言识别准确率.30%，但多语种支持较弱。 五、综合多模态能力 豆包通用模型pro（字节跳动） 中文对话、任务解决能力最强，但数学推理弱于OpenAI o系列。 o-mini（OpenAI） 客观评测第一，推理、数学能力断层领先。 百灵大模型（蚂蚁集团） 支持视频理解、医疗诊断等垂直场景，安全检测能力达行业最高级。 关键趋势与挑战 中文优势显著：国产模型在中文图文理解、文字识别上领先国际模型。 技术瓶颈：文生视频仍存在动作变形、物理规律缺失等问题。 安全风险：深度伪造检测需求激增，蚁天鉴.等工具可识别.30%的AI生成内容。 如需查看完整评测数据，可参考智源研究院FlagEval平台或蚂蚁集团技术报告。