在鳞次栉比的语言大模型、多模态大模型纷纷涌现之后，“视觉大模型”成为又一个兵家必争之地。日前，美图发布AI视觉大模型MiracleVision，一同发布的还有AI视觉创作工具WHEE、AI数字人(11.540, -0.04, -0.35%)生成工具DreamAvatar、美图AI助手RoboNeo等7款产品。
据介绍，MiracleVision具有强大的视觉表现力和创作力，能从绘画、设计、影视、摄影、游戏、3D、动漫等视觉创作场景反推技术演化。与市面上其他大模型不同，它尤其擅长亚洲人像摄影、国风国潮、商业设计等生成方向。
美图公司创始人、董事长兼首席执行官吴欣鸿在接受《华夏时报》记者采访时表示：“美图大模型的核心优势是‘懂美学’，C端用户基础足够大，大模型冷启动的获客成本低，美图目前有2.43亿的月活用户，全球VIP会员数为719万，能在短时间去验证产品成功与否。不同于其他厂商，美图大模型聚焦于美学（画面画质设计等），未来如果非要竞争，会在美学上面去‘卷’。”
无独有偶，360也日前正式发布“360智脑-视觉大模型”。 360创始人周鸿祎表示，大语言模型是构建视觉大模型的基础，多模态能力增强的核心是借助了大语言模型的认知、推理、决策能力。同时，视觉大模型也是“360智脑”的重要能力组成，能够看懂图片，未来还能看懂视频、听懂声音。
海外企业也已经开始在视觉大模型上布局。日前，社交媒体巨头Meta宣布，将向研究人员开放一个名为I-JEPA的“类人”人工智能模型的部分组件，该模型可以比现有模型更准确地分析和完成未完成的图像，而不是像其他生成式人工智能模型那样，只根据附近的像素进行推断。
Meta公司首席人工智能科学家杨立昆曾公开指出，当前的GPT自回归模型存在缺乏规划、推理的能力，未来GPT系统或将被抛弃，并给出了他认为的正确答案——世界模型。据称I-JEPA是第一个基于其愿景关键组成部分的AI模型，能比现有模型更准确地分析和完成未完成的图像。
除此之外，Meta还发布了语音生成AI模型“Voicebox”，支持从文本中生成语音，能够根据仅两秒长的样本匹配音频风格，并将文本样本转换为另一种语言，在给定单独的语音样本的情况下，并能够以说话者的原始语音朗读翻译后的文本内容，目前支持六种语言：英语、法语、德语、西班牙语、波兰语和葡萄牙语。
而早在今年4月，Adobe便将其Adobe Firefly功能（类ChatGPT产品）集成在Premiere Pro、After Effects、Audition、Remix等音视频产品矩阵中，为用户提供一键生成内容、剪辑、调色、更换音乐等功能。