2026年传媒行业AI应用系列深度报告（二）：AI技术迭代与商业化加速，国产大模型全球化竞争力凸显

AI 技术突破驱动市场增长，商业化加速凸显投资价值

AI 技术实现关键突破，市场规模高速增长

全球人工智能技术已于 2025 年完成关键突破期的跨越式发展。语言基础模型与推理模型实现双线并进，技术迭代速度与能力提升幅度均超出此前市场预期。根据中国信通院数据，截至 2025 年12 月，GPT-5.2、Gemini 3Pro、Grok-4、DeepSeek V3.2、Claude 4.5、Qwen3、Doubao-Seed-1.6、Kimi K2 Thinking、GLM4.5等头部语言大模型的综合能力较2024年底提升30%，多模态理解能力提升幅度超过 50%，大模型基础能力实现了质的飞跃。

大模型评测体系的构建与模型训练的重要性已日趋等同。基准测试已深度融入大模型 “建、用、管” 全生命周期，在指引学术研究、指导产品选型、支撑行业应用、辅助监管治理、监测能力迭代等方面发挥关键作用。依托长期、动态化的大模型基准测试，可搭建宏观决策的数据底座，实现产业政策的精准制定与动态优化，例如精准量化国内外头部语言大模型在基础能力、推理能力等维度的表现。从相关评测结果可见，国内头部语言大模型在基础能力上已与国外水平不相上下，推理能力差距亦在持续收窄，成为推动整体综合能力不断追赶的重要方向。

当前大模型技术仍处于快速迭代阶段。根据灼识咨询研究数据显示，伴随技术成熟度提升与付费意愿持续释放，全球大模型市场规模预计将由2024年的 107 亿美元，快速增长至 2029 年的 2,065 亿美元，2024-2029五年复合增长率将达 80.7%。

中国大模型市场大致可划分为三个阶段。2020 年至2022 年为技术积累期，以学术研究和头部企业探索为主，市场体量有限但基础能力逐步夯实，三年累计增量不足 100 亿元。2023 年至 2024 年为爆发式增长期，技术突破与资本热潮形成共振，市场进入跑马圈地阶段。2025 年起进入应用深化期，虽然增速随基数扩大而自然回落，但应用场景持续拓宽，商业模式逐步清晰。据艾媒咨询数据，2024 年中国大模型市场规模已达到人民币294.16亿元，预计到 2026 年将增至人民币 738.57 亿元，2024 年至2026年预计复合年增长率为 58.5%。

2025 年多模态技术持续成熟，2026 年仍为主流发展趋势

回顾 2025 年，多模态大模型持续深化技术布局，理解与生成能力实现深度融合，原生多模态架构逐步走向成熟。2025 上半年，OpenAI-o3模型与Gemini 2.5 Pro 模型率先实现视觉与语言信息的同步处理，支持图像关键细节的自动调优，成功将语言大模型的深度思考能力迁移至多模态场景，赋予其复杂视觉任务的高阶推理内核；同期，GPT-Image-1 与Gemini 2.0Flash模型通过原生架构融合自回归与扩散模型，突破长上下文图像生成与编辑的技术瓶颈，为多模态技术从实验室走向规模化商业应用筑牢了基础。下半年，行业迭代节奏进一步加快，谷歌推出Gemini-2.5-flash-image-preview(nano banana) 文生图模型，OpenAI 则发布Sora 2 文生视频模型，双方向均实现内容质量与场景适配性的显著提升，多模态生态的完整性与落地广度持续拓展。

基于 2025 年的技术演进轨迹，我们预计多模态化仍将是2026年人工智能领域的核心发展趋势。该趋势将围绕能力边界拓展与落地场景渗透两大维度持续深化：一方面，头部模型将持续推进多模态能力的通用化，突破文本、图像、视频、音频等单一模态的界限，实现跨模态信息的无缝转换与深度联动，推动模型在复杂逻辑推理、多轮内容创作等场景的实用性跃升；另一方面，原生多模态架构将进一步渗透至垂直领域，结合行业需求完成轻量化适配，降低企业落地门槛，同时 AI 生成内容的版权合规机制、内容安全管控体系将逐步完善，为多模态技术的规模化商用提供更具确定性的发展环境。

大模型能力迭代，运行机制、架构与训练方法三维革新

传统 LLM 模型以文本为核心构建了强大的语言理解与生成能力，核心聚焦自然语言处理，仅处理文本模态的理解与生成任务。能力范围包括文本分类、问答、摘要、文本生成等纯语言。因此输入仅接受文本输入，输出也仅限于文本形式。

多模态大语言模型 MLLM：以 LLM 为基础骨干，通过扩展架构、引入多模态编码/解码模块，实现跨模态（文本、图像、视频、音频等）的理解与生成。不仅覆盖 LLM 的全部文本任务，还新增跨模态任务（如图像描述、文本到图像生成、视频问答、多模态推理等）。支持文本与非文本模态的混合输入（如 “描述这张图片并生成相似场景的视频”），输出可包含文本、图像、视频等多种形式。

多模态大型语言模型的典型架构，核心是输入模态（含图像（Image）、文本（Text）、音频（Audio）、视频（Video）等）先经模态编码器（ModalityEncoder）转成特征，再通过模态连接器（Connector）转换为大型语言模型（LLM）可理解的格式:

投影型连接器（Projection-based Connector）:把模态编码器输出的特征（图中黄色块）输入 MLP，通过线性变换将其投影到大型语言模型的词嵌入空间，最终转换成 LLM 能识别的token 格式（蓝色块）。

查询型连接器（Query-based Connector）：先通过“可学习查询向量（Learnable Queries）”（图中彩色块）向模态特征（黄色块）发起查询，借助 Q-Former 提取关键信息，最终压缩成少量核心token（蓝色块），再输入 LLM。

融合型连接器（Fusion-based Connector）：直接在LLM的注意力模块中，让文本 token（黄色块）和非文本特征（橙色块）在多头注意力层（MH-Attn）进行跨模态注意力交互（通过Q/K/V向量的传递），实现特征层面的深度融合。

最后由 LLM 完成推理后输出文本，或通过模态生成器（Generator）生成其他模态结果。

语言及多模态模型的能力跃迁，正驱动于运行机制、基础架构与训练方法的三维革新：

在运行机制层面，单纯依赖参数规模（Scaling）已难以实现能力的质变，精细化的机制优化成为当前核心破局点。尽管月之暗的KimiK2、阿里的Qwen3-Max-Preview 等模型参数量已达万亿级别，但其能力突破仍未达到OpenAI o1 级别的跃迁效应。反观技术演进方向，其一，路由机制(MoE，Mixture of Experts)成为效率核心引擎，如GPT-5，MiniMax M模型等通过动态调度专家模块，实现了“思考”与“非思考”能力的智能切换，显著提升推理与生成效率；其二，扩散语言模型（Diffusion-based LM）如LLaDA、Dream7B 等借助并行计算逻辑，突破了传统自回归模型的累积误差瓶颈，在语义连贯性上表现优异。虽然目前扩散模型在综合能力上仍逊于传统架构，但其在生成速度上已确立绝对优势，例如谷歌Gemini Diffusion可在12秒内高效生成万级 tokens，为实时交互场景提供了坚实基础。

在基础架构维度，Transformer 架构的性能优化依旧是现阶段技术攻坚的核心赛道。其中，以 DeepSeek 的 NSA（Nested Sparse Attention）、月之暗面的 MoBA（Mixture of Bounded Attention）及面壁智能的InfLLM-V2为代表的稀疏注意力机制，已成为行业实现模型“降本增效”的标准化方案，在控制计算成本的同时，显著提升了长序列任务的处理效率。尽管Mamba3、RWKV-8 等非 Transformer 新型架构在理论上具备独特优势，但目前仍处于早期探索阶段，尚未形成成熟的工程化生态。当前业界更倾向于采用“混合架构”策略，通过融合 Transformer 与新型架构的特性，实现优势互补。代表案例包括 Qwen3-Next、Hunyuan-TurboS、MiniMax M1、英伟达Nemotron-H 等模型，它们兼具了 Transformer 的并行计算优势与线性注意力的长序列建模能力，已在商业场景中取得了广泛成功。

在训练方法上，大模型的研发范式正经历根本性变革，即从“人类数据时代”向“经验智能时代”加速过渡。这一变革的核心在于，模型不再局限于依赖人工标注的静态数据集进行被动学习，而是转向通过与真实环境的动态交互、任务试错迭代与自我反思优化，来积累系统性经验。这种“学习范式”的升级，使大模型具备了三大核心能力跃升：

一是跨场景规律的自主提炼，能从有限经验中泛化出通用知识；

二是认知偏差的动态修正，通过反馈闭环持续优化决策逻辑；

三是知识边界的突破式创新，能够生成超越初始训练数据范畴的全新解决方案。最终，推动大模型能力从“复刻已知”走向“探索未知”。

目前，DeepSeek 提出的 GRPO（Group Relative Policy Optimization）算法因其高效与稳健性，已成为大模型对齐策略的行业事实标准。在此基础上，DAPO、VAPO、SRPO、GFPO 等一系列优化变体应运而生，显著提升了模型在复杂任务环节中的泛化能力与决策稳定性。与此同时，以ToolRL、Agent Lightning、Verlog 为代表的 AgenticRL 技术通过真实动态环境的多轮交互式训练，赋予模型自主规划、调用工具、因果推断的能力，进而提升其真实应用场景表现。

编辑：火腿肠