行业动态
阅读: 183 评论: 0 点赞: 0 发布时间：发布日期：2026-08-02 08:25:04
7月18日的世界人工智能大会（WAIC）上，商汤科技扔出了一颗重磅炸弹——SenseNova U1 Pro。这不是又一款"能出图"的多模态模型，而是明确标榜"交付级原生多模态智能体基座"。什么意思？简单来说，以前的AI画一张图，你得反复抽卡、调提示词，最后还不一定满意；而U1 Pro要做的是：你告诉它"帮我做一套品牌VI手册"，它自己规划、生成、检查、修正，闭环完成。
商汤首席科学家林达华把多模态产品的演进分成了三个阶段：第一阶段解决"像不像"，第二阶段实现"能对话修改"，第三阶段直接"交付可用"。U1 Pro瞄准的就是第三阶段。它有几个硬指标：原生8K超清输出、图文细节控制能力、长程Agentic闭环思维。实测中，用户人均日生图量相比5月提升了近3倍——说明模型真的切入了真实工作流，而不是玩具式尝鲜。
差不多同时，MiniMax发布了通用全模态模型H3，把文本、图像、视频、音频塞进了一个统一框架。H3的定价也很有意思：15秒2K音视频生成价格不到主流模型的三分之一。这种"全模态+低价"的组合拳，对广告、电商、游戏这些视觉内容消耗大户来说，吸引力不言而喻。MiniMax还宣布要开源H3权重，这个信号很清晰：多模态赛道的竞争已经从"谁更炫"转向"谁更能用、谁更便宜"。
字节跳动的Seedance 2.5则把视频生成推到了30秒一镜到底，支持多镜头叙事和逻辑关联。以前AI视频的问题不是画质，而是"前后不搭"——人物换了衣服、场景跳了位置。Seedance 2.5的多轮延长能力能保持人物、场景、风格的一致性，这个对短视频创作者和广告 agency 来说，是实打实的生产力工具。
说实话，多模态走到今天，我觉得真正的分水岭不是技术指标又涨了多少，而是"能不能直接交活"。甲方不会关心你的FID分数，他只关心这张海报能不能直接发到朋友圈。从生成到交付，这四个字背后是整个产品逻辑的重构。
如果多模态解决的是"内容生产"问题，那Agent解决的就是"谁来干活"的问题。7月最大的一个信号来自DeepSeek——V4-Flash正式版上线，同时亮相的还有自研Agent框架DeepSeek Harness。
DeepSeek V4-Flash的聪明之处在于"小身材大能量"：激活参数只有130亿，但多项基准测试表现优异，成本比旗舰版V4-Pro低得多。这个策略很务实——企业部署AI，不是比谁参数多，而是比谁能用可控的成本解决实际问题。V4-Flash支持OpenAI的Responses API格式，迁移成本低，对已经有OpenAI接口的开发者来说，几乎是零 friction 切换。
更值得关注的是它的Agent框架。DeepSeek Harness首次亮相意味着什么？意味着DeepSeek不再满足于"提供一个大模型"，而是想提供"一套能自主执行任务的系统"。这和商汤U1 Pro的"长程Agentic闭环思维"其实是一个方向的两种表达：AI不再是被动的工具，而是能主动规划、执行、纠错的数字员工。
豆包的数据更能说明问题。截至3月，月活跃用户3.45亿，日均Token调用量突破180万亿，过去一年调用规模增长超十倍。3.45亿人每天用，说明大模型已经从极客玩具变成了基础设施。火山引擎把豆包的能力输出到TraeHi Agent等企业平台，这个路径很清晰：先让消费者习惯，再让企业买单。
不过说实话，Agent的企业落地远没有媒体渲染的那么光鲜。我接触过很多做AI落地的乙方，最头疼的不是技术，而是"流程适配"——企业原有系统怎么接？权限怎么管？出错了谁负责？DeepSeek和商汤的方向是对的，但真正的考验在于：这些Agent框架能不能在真实的企业IT环境里跑起来，而不只是demo好看。
7月的另一个主线是"开源"和"国产"两条线同时加速。
月之暗面发布了KimiK3，参数规模2.8万亿，100万词元超长上下文。这个数字是什么概念？你可以把一本《红楼梦》全文塞进去，它还能记住前后文的关联。更关键的是，KimiK3是开源的。月之暗面说他们在行业最基础的三个核心技术上做了更新——而这些技术已经8到11年没被更新过了。这个表态有点挑衅意味：不是堆参数，而是从根上重构架构。
智谱的动作更有标志性意义。年初在港交所上市，成为全球大模型第一股，6月中旬又发布了GLM 5.2。这个模型专门强化了编程和长程任务，而且完全依托国产算力平台研发，能在多款国产芯片上稳定运行。智谱总裁王绍兰说了一句话我很认同："我们需要不断摸高，同时需要筑路，让所有人能够方便使用。"开源不只是技术选择，也是商业策略——把路修好了，车自然就多了。
商汤在开源方面的投入也不小。4月开源的SenseNova U1，到7月中旬GitHub Star数突破8000；SenseNova-Vision统一视觉大模型让经典视觉任务直接成为通用大模型的原生能力，不再依赖"多专家模型拼凑"。这种"统一架构"的思路，和MiniMax H3的"全模态"理念其实是同构的——用一个模型搞定多种任务，而不是为每个任务单独训一个模型。
黑森林实验室的Flux3则开辟了另一条路：首个原生生成音频的多模态基础模型，能一次生成20秒音视频同步片段，还开发了面向机器人领域的动作模型Flux-mimic，已经在奥迪工厂进行生产任务测试。从内容生成到工业落地，这个跨度很大，但也说明多模态技术的边界在快速外扩。
国产算力这个点值得多说两句。以前大家诟病国产芯片"能用但不顺手"，智谱GLM 5.2直接宣布在多款国产芯片上稳定运行，这是一个明确的信号：国产算力正在从"可用"走向"好用"。配合大模型的开源趋势，中国企业有可能走出一套"自主芯片+开源模型+垂直应用"的闭环，不再完全依赖英伟达和OpenAI的生态。
复盘7月的AI大模型动态，我觉得可以用三个关键词概括：交付、自主、开源。
多模态从"生成"到"交付"，意味着AI内容产品开始具备商业价值；Agent框架的成熟，意味着AI从"辅助工具"向"自主执行体"进化；开源生态的繁荣和国产算力的突破，意味着中国AI产业正在建立自主可控的技术底座。
对中小企业来说，这些趋势意味着什么？我的判断是：2026年下半年，AI应用的门槛会进一步降低。多模态模型便宜了、Agent框架开源了、国产算力可用了——你不需要再花天价买英伟达显卡，也不需要从零训练模型，基于开源方案做垂直场景的适配，可能是性价比最高的路径。
当然，技术永远只是手段。真正决定AI能不能在企业里跑起来的，还是业务场景的清晰度和数据质量的扎实度。模型越来越聪明，但"Garbage in, garbage out"的定律从未改变。