多模态生成的下一站：视频、3D与可交互世界.docxVIP

PAGE

PAGE1/NUMPAGES4

多模态生成的下一站：视频、3D与可交互世界

摘要：

多模态生成正从“平面时代”迈向“空间时代”。2025年，以Sora、Veo2、Kling2.0为代表的视频生成模型在物理合理性和时长上取得突破；以TripoSR、Meshy为代表的3D资产生成工具正在游戏和电商领域实现工业化部署；而“世界模型”概念则将生成技术的目标从“制造内容”推向了“模拟环境”，为具身智能和通用人工智能的探索铺路。与此同时，深度伪造风险倒逼内容真实性技术加速普及。本文以技术管线图和产品矩阵的方式，系统梳理多模态生成的前沿图景。

一、从图像到视频：物理合理性的艰难攀登

如果说2023年至2024年是“文生图”的成熟期，那么2025年无疑属于“文生视频”。但视频生成的技术难度远非“将图像连起来”那么简单——它要求模型理解三维空间中的物体运动、物理因果性和时间一致性。

Sora：扩散-变换器架构的开路者

2024年初OpenAI发布的Sora，是视频生成领域的标志性转折点。其核心技术路线是扩散-变换器（DiffusionTransformer,DiT）——将视频视为时空维度的“补丁”（Patch）序列，用大规模变换器进行去噪建模。Sora最令人印象深刻的并非画质，而是其对物理世界运作方式的“直觉性把握”：物体被遮挡后再度出现时保持一致；液体