事件描述
　　3月26日，OpenAI推出GPT-4o原生图像生成，该功能已在ChatGPT全量开放。3月27日，阿里发布并开源首个端到端全模态大模型通义千问Qwen2.5-Omni，可同时处理文本、图像、音频和视频等多种输入，并实时生成文本与自然语音合成输出。
　　事件评论
　　GPT-4o原生图像生成功能上线，全量开放引发热潮。GPT-4o图像生成功能依赖于原生嵌入在ChatGPT内的自回归模型，意味着生成图片时不再需要单独调用DALL-E 3模型，主要具有以下优势：1）更好的文本渲染能力：与过去难以生成清晰、恰当位置文字的AI模型不同，GPT-4o可以在图像上生成没有拼写错误的连贯文本，并准确地将文字嵌入图像中，能够制作logo、菜单、邀请函和信息图等；2）增强的上下文理解能力：GPT4o充分调用内置知识库和对话上下文，允许用户在互动中不断细化图像，基于先前的图像和文本进行扩展，并且确保多个交互之间的视觉一致性；3）强大的指令遵循能力：过去的模型难以正确定位场景中的多个不同物体，而GPT-4o现在可以一次处理多达10至20个物体，并对物体、特征及关系绑定具备更强的控制力；4）支持多样化风格：该模型可以将图像转化为多种风格，支持从手绘草图到高清写实风格的转换。目前，该模型已经作为ChatGPT的默认图像生成引擎，向ChatGPT和Sora平台的Plus、Pro、Team和免费用户开放，企业版、教育版以及API接口也将在不久后支持该功能。
　　阿里开源首个端到端全模态大模型，全新架构赋能全模态性能优势。3月27日，阿里发布并开源首个端到端全模态大模型通义千问Qwen2.5-Omni-7B，主要具备以下优势：1）全能创新架构：Qwen2.5-Omni采用全新Thinker-Talker双核架构，原生支持视频、图片、语音、文字等多模态输入，并能原生生成语音及文字等多模态输出，以接近人类的多感官方式“立体”认知世界并与之实时交互。2）全模态性能优势：在多模态融合任务OmniBench等测评中，Qwen2.5-Omni刷新业界纪录，全维度超越Gemini-1.5-Pro等同类模型。此外，Qwen2.5-Omni在单模态任务中也表现优异，在语音理解/图片理解/视频理解/语音生成等领域的测评结果均领先于专门的Audio或VL模型，且4.51的语音生成测评分数达到了与人类能力持平的水平。3）轻量模型易部署：Qwen2.5-Omni以7B的小尺寸提升了全模态大模型在产业上广泛应用的可能性，目前不仅开发者和企业可免费下载商用Qwen2.5-Omni，手机等终端智能硬件也可部署运行。4）通义已成为全球第一开源大模型：自2023年起，通义团队陆续开发了200多款全尺寸大模型，截至3月27日，海内外AI开源社区中，千问Qwen的衍生模型数量突破10万，是公认的全球第一开源模型。
　　AI技术的快速发展正在不断推动行业创新和应用场景的拓展。模型能力的提升有助于强化专业领域的解决方案；而AI技术在各行业中的深入应用亦将推动行业的智能和创新化发展。我们认为AI技术及应用领域持续突破，建议持续关注AI在IP、AIAgent、游戏、影视等领域的商业化落地。
　　风险提示
　　1、AI技术发展不及预期风险；
　　2、内容监管风险。