从模型到工作流：2026 上半年图片与视频模型盘点。

从模型到工作流：2026 上半年图片与视频模型盘点。 从模型到工作流：2026 上半年图片与视频模型盘点。 Modified July 4 5月5日，Luma AI 发布 Uni 1.1 API，把 Uni 系列图像模型开放给开发者和企业工作流。Luma 也走向了图像、视频、agent 三层架构的综合性创意平台。5月12日，Krea 2 先作为 Krea 平台里的闭源图片模型发布，主打审美和风格控制。在6月22日，Krea 2 开放 Raw 和 Turbo 两个权重版本，但许可证不是完全开源协议，准确说是开放权重模型。这个模型在社区评价普遍比较高。 5月19日至20日，Google I/O 2026 大会上，谷歌正式发布 Gemini Omni，首发版本为 Gemini Omni Flash。“从任意输入创造任意内容，从视频开始”；谷歌自己给的比喻更直白：“就像 Nano Banana，但是给视频用的”。支持文字、图片、音频、视频任意组合输入，核心卖点是对话式视频编辑。每一句指令叠在上一句上，角色一致性、物理逻辑都能保持。刚到国内时反响有些平平，毕竟 Seedance 2.0 珠玉在前，大家肾上腺素都快被掏空了。最近它火了一波，我们可能刷到过的视频局部修改，或者带有自己人物的纸片拼贴片头动画，可能是发现它的人物一致性和局部修改能力真的强，玩法就很多了。 这条我多说两句。首先，从纯生成画质看，当时的独立评测普遍认为 Seedance 2.0 仍然领先，而 Omni 的重点很清楚，就是把“来回对话能不能改”做好。加上它一口气铺满三条分发线，这和 ChatGPT Images 2.0 是同一个玩法，卷入口。另外，谷歌在发布会上明确表示“修改视频里人物说话内容”这个功能暂时不做，想用自己的脸做数字分身，得先录一段念随机数字的视频做防伪。这条红线是厂商主动画的。对照 2 月 Seedance 被动卷入版权争议，能清楚看到半年之内，合规，也已经变成了产品设计的一部分。 5月21日，Runway 也在视频编辑能力上发力，发布 Aleph 2.0 和 Edit Studio。Runway Aleph 2.0（官方说明是旗舰 in context video editing model 的升级）编辑单帧即可将修改扩散至整段视频，未要求改动的内容保持原样；支持最长 30 秒、1080p 素材与多镜头连续片段。适合改服装、场景、绿幕、空镜底板（把画面里的人物、道具等前景元素去掉，只留下干净的背景）和局部替换。但是可控性还相当有待提升，复杂长片稳定性也不太行，成本也高。卷生成 Runway 胜算不明朗，修改已有素材也可能是更有潜力的市场，毕竟世界上已拍摄的视频远多于要生成的视频。 6月份 6月3日，Ideogram 4.0 图片模型开源。与其说图片模型不如说它是设计模型，设计图生成能力是真不错。9.3B 参数单流 DiT 架构，开放权重、支持商业许可。核心发力方向明确，面向设计生产场景，强化文字渲染、层级化生成、结构化 JSON prompt 控制，支持 2K 输出与品牌设计工作流。可以和 Qwen Image 2.0、ERNIE Image、FLUX 等一起放在文字与设计图像模型里掰手腕。JSON prompt 控制这个也很好，模型的输入从自然语言变成结构化数据。不过审美更西化，可能不那么符合国内主流审美。 6月11日，Midjourney 将默认模型从 V7 更新为 V8.1。 6月17日，美图官宣了 MiracleVision V6，这同样是一款基于 MoE 架构的基座模型，支持文本、图片、视频、音频等多模态输入；强调视觉决策能力、生成质量与一致性，并支撑美图产品内大量生成请求。美图好像隐隐摸索出了另一条路：有稳定场景和真实用户作为后盾的公司，自研模型亦有出路。 6月23日，阿里云发布 HappyHorse 1.1，强调运动表现、一致性、视觉质量提升，面向专业创作者，覆盖文生视频、图生视频与视频编辑。HappyHorse 1.1 I2V 在视觉质量、动态表现和跨片段一致性上均有明显改进。 6月23日，Seedance 2.0 原生 4K 分辨率上线火山引擎。于创作者而言，这是 AI 视频迈向广告级与专业交付的又一个关键节点。4K 贵是一定的，不是赚钱的项目建议就不要用这个分辨率了。 4K 的意义重点在可交付，毕竟广告和品牌客户的验收标准里，画质细节是硬门槛，过不了这条线，前面所有的电影感都只是 demo。（FORCE 大会一手消息，我在现场( ^▽^ )） 6月30日，Google 发布 Nano Banana 2 Lite，并把 Gemini Omni Flash 开放给开发者。官方称 Nano Banana 2 Lite 是 Gemini Image 家族里最快、成本最低的图像模型，适合高吞吐、低延迟、批量创意草图；Gemini Omni Flash 则用于视频生成和对话式编辑，可以从文本、图像、视频输入生成或编辑视频。谷歌大半年内的图片产品序列是 Pro → 2 → 2 Lite，一路向下铺，视频则是 C 端先铺满、再开 API 。 谷歌：可能我不是最强，但用户想要什么档位我都有，我还有深渊巨入口，我拿什么输？ 赢麻了，赢麻了。 补充说明 看完以上的记录以后，大家可能会觉得，怎么有些自己常用或者熟悉的模型没有出现在上面的时间轴中？这有可能是因为它们的发布时间不在今年上半年的区间内。 比如以下这些模型： MiniMax 的 Hailuo 2.3 视频模型，发布于 2025 年 10 月，至今仍被许多创作者用于制作复杂动作和微表情，动漫风格效果也很不错，性价比很高。 美团的 LongCat 模型，发布于 2025 年 12 月，这是一个开源的中英双语图像模型，强调文本渲染、生成和编辑。 阿里的 Qwen Image Layered（拆图层）和 Qwen Image Edit（图像编辑）发布于 2025 年 12 月，目前依然在 ComfyUI、ModelScope、Hugging Face 等工作流中被频繁使用，分层编辑和文字编辑很不错。 顺便说一句， 模型能“长寿”也能看出，如果能在工作流里站稳脚跟，模型的生命周期会远远长于热搜周期。 Midjourney V1 Video 视频模型，已经是去年 6 月份发布的产品了。不知道今年 Midjourney 是否还会发布新的视频模型。 最后，再补一个悬念， 6 月 FORCE 大会上火山引擎已经预告了 Seedance 2.5 视频模型和 Seedream 5.0 Pro 图片模型。 Seedance 2.5 视频模型，直指“多素材导演工作流”， 主打最长30 秒单段原生视频、最多可以50 个全模态素材联合生成、一致性局部编辑。预告还看到了它会先生成3D白模再生成。 期待能早日体验。 Seedream 5.0 Pro，将会 主打交互式的精准编辑、并且可以多图层分离，也可以生成高密度信息图了，可以原生生成多语种文字，还可以直出可编辑分层设计图。 相信这些对于设计方向的朋友会非常有用，因为它现在已经从单纯的图片输出向着可编辑的设计稿以及信息图去靠近了。 7 月真是值得期待啊。 下半年会怎样？ 可以看到，2026 年上半年图片与视频模型，不再是单点生成能力的竞争，更多的是往生产系统去迁移，进入真实创作流程。图片模型从审美生成走向资产生产，视频模型从短片 demo 走向可控镜头，二者开始在同一个生产链路里合流。 分开讨论图片与视频模型之前，先说一个贯穿两边的观察。回看上半年的发布词，出现频率最高的关键词已从“更强”换成了“更快、更便宜”：Ray 3.14 快 4 倍便宜 3 倍，Nano Banana 2 主打不肉痛，V8.1 快 3 倍便宜 3 倍，Nano Banana 2 Lite 干脆定位相对成本最低。 一个行业集体从卷质量转向卷成本，通常意味着这一代技术的 S 曲线正在进入平台期 ——（人工输入破折号备注）质量的边际提升越来越贵，竞争逐步转移到推理经济学上了。 从审美生成到视觉资产 图片模型的发展到瓶颈了吗？怎么会，还有很多方向可以卷啊。 图片模型的下一步，可能是更高清晰度的画质、更有辨识度的人像、更强的世界知识物理理解、更杰出的审美、更精确的文字细节、更多元的风格、更优秀的设计等等。 不过，有一点也比较明显。上半年几乎所有图片模型都在卷“文字渲染”，从 GLM Image 到 Qwen Image 2.0 到 ERNIE Image 到 Ideogram 4.0 到 ChatGPT Images 2.0，无一例外。为什么大家不约而同盯着这个看起来很小的能力？ 因为文字渲染是“可控性”的最显示表现，评判好不好比审美客观。一个模型能不能把图片中的汉字一笔不差地写对，直接反映了它对像素的控制精度到了什么程度。文字是唯一一种“差一点就是错”的图像内容。 画面美不美好不好可以见仁见智，字写错了就是写错了。谁最先把文字彻底做稳，谁就向所有 B 端客户证明了：我的输出可验收哎！ 用户：爱了。 如果真的出现六边形模型，会走向赢者通吃的局面吗？ 我的个人观点，图片模型下一阶段不会简单赢者通吃。强通用模型会继续占据高质量入口，但低价高速模型、垂直商业模型、文字设计模型等都会继续存在。真实生产里，人们要的不只是一张最好看的图，便宜、快、可控、可编辑、能交付等等都是重要考虑因素。 更具体一点，我认为格局可能会分成三层：入口层（长在超级应用里的模型，赢在分发不赢在参数）、管线层（被写进工作流和 API 的模型，赢在稳定和可控）、廉价层（把边际成本打到地板的模型，量大管饱使劲蹬也不心疼）。三层的赢家可以是不同的公司，甚至同一条生产链路里同时用到三层：草图用廉价层，正稿用管线层，临时需求丢给入口层。 从惊艳片段到更可控镜头 从今年上半年就可以感觉到，视频模型也已经进入下一阶段，短片 Demo 不过是基础操作，主流视频模型早已开始了多参考、多镜头、原生音频、更高画质、参考驱动、视频编辑精细化与后期等方向的进化，逐步走向更长时、更稳、更可控、更可交付。 这里我想把上半年的信号做个小结： 第一，输入方式的变化。 从 Veo 的 Ingredients，到 Seedance 的 9 图 3 视频 3 音频，再到 Vidu 的 1 7 张参考图，视频模型的接口正在从“文字描述”变成“素材投喂”。创作者可以从“写 prompt”迁移到“备素材、管资产”这个方向来完成视频生成，而这其实是传统影视制片一直在做的事。有点矛盾但又合理的是，AI 视频把老工作流的方式加入进去，又以新的方式加速了创意的产出。 第二，合规会影响模型最终呈现给用户的能力。 Seedance 2.0 发布即召回削弱这件事，给全行业画了一条线：模型越强，IP、肖像、区域监管的约束就咬得越紧。下半年，视频模型会更能打，能早早在这方面找到最优的解决方式，做好版权素材授权、可溯源水印、真人授权体系，这些有点枯燥的基础设施，可能也将成为决定胜负的关键。 真正使用它的用户会用它做什么？真实创作进程中，它可能会卡在哪里？而卡在哪里的痛点，就是视频模型下一步进化的方向。 Agent：调度与扩宽能力边界 模型都成长起来了，可以把 Agent 当自己的中层，让它调兵遣将，节省我们自己的时间了。 底层模型越强，Agent 才越好用；底层模型不行的时候，Agent 只是在自动化制造废片。 Agent 最大的作用，是通过更好的调度来放大模型的价值。 决定作品上限的，依然是创作者本身的能力、图片模型的审美、文字、编辑能力，以及视频模型的运动、物理、一致性和音画同步等。这些底层能力已经足够强，Agent 才能通过更好的调度，把它们组织成更高效的创意工作流。 但 Agent 工作模式成为常态可能还会带来一个后果：当模型的调用方是 Agent，模型就从产品退化成了零件。对模型公司来说，进了 Agent 的调度池，调用量会很大；但同时，你和竞品之间只隔着一行配置文件的距离，你没竞品好用，用户忠诚度嘎巴一下归零。在成熟的创意 Agent 平台，模型之间的竞争会比现在残酷得多，也诚实得多。 小结 唯一不变的，就是变化一直在发生。过去我们更关心模型能不能生成一张好看的图、一段惊艳的视频；现在我们会越来越关心，它能不能稳定参与真实创作：能不能保持角色一致，能不能接住多轮任务、复杂修改，能不能做首帧和关键帧，能不能进入广告、短剧、IP 角色、信息图这些具体场景里，最后真的交付出好东西。 上半年只是一个节点。下半年如果还有新的模型、新的工作流和新的创作方法，我也会继续边用边记录。 也欢迎大家在评论区补充你真正用过、觉得值得留下的模型！ 最后感谢 Codex 在我查找资料和核对信息时做出的贡献。这期真肝啊，朋友们觉得有收获请猛猛三连 👍🌸🔄 鼓励一下阿真，非常感谢！ 5月5日，Luma AI 发布 Uni 1.1 API，把 Uni 系列图像模型开放给开发者和企业工作流。Luma 也走向了图像、视频、agent 三层架构的综合性创意平台。5月12日，Krea 2 先作为 Krea 平台里的闭源图片模型发布，主打审美和风格控制。在6月22日，Krea 2 开放 Raw 和 Turbo 两个权重版本，但许可证不是完全开源协议，准确说是开放权重模型。这个模型在社区评价普遍比较高。 5月19日至20日，Google I/O 2026 大会上，谷歌正式发布 Gemini Omni，首发版本为 Gemini Omni Flash。“从任意输入创造任意内容，从视频开始”；谷歌自己给的比喻更直白：“就像 Nano Banana，但是给视频用的”。支持文字、图片、音频、视频任意组合输入，核心卖点是对话式视频编辑。每一句指令叠在上一句上，角色一致性、物理逻辑都能保持。刚到国内时反响有些平平，毕竟 Seedance 2.0 珠玉在前，大家肾上腺素都快被掏空了。最近它火了一波，我们可能刷到过的视频局部修改，或者带有自己人物的纸片拼贴片头动画，可能是发现它的人物一致性和局部修改能力真的强，玩法就很多了。 这条我多说两句。首先，从纯生成画质看，当时的独立评测普遍认为 Seedance 2.0 仍然领先，而 Omni 的重点很清楚，就是把“来回对话能不能改”做好。加上它一口气铺满三条分发线，这和 ChatGPT Images 2.0 是同一个玩法，卷入口。另外，谷歌在发布会上明确表示“修改视频里人物说话内容”这个功能暂时不做，想用自己的脸做数字分身，得先录一段念随机数字的视频做防伪。这条红线是厂商主动画的。对照 2 月 Seedance 被动卷入版权争议，能清楚看到半年之内，合规，也已经变成了产品设计的一部分。 5月21日，Runway 也在视频编辑能力上发力，发布 Aleph 2.0 和 Edit Studio。Runway Aleph 2.0（官方说明是旗舰 in context video editing model 的升级）编辑单帧即可将修改扩散至整段视频，未要求改动的内容保持原样；支持最长 30 秒、1080p 素材与多镜头连续片段。适合改服装、场景、绿幕、空镜底板（把画面里的人物、道具等前景元素去掉，只留下干净的背景）和局部替换。但是可控性还相当有待提升，复杂长片稳定性也不太行，成本也高。卷生成 Runway 胜算不明朗，修改已有素材也可能是更有潜力的市场，毕竟世界上已拍摄的视频远多于要生成的视频。 6月份 6月3日，Ideogram 4.0 图片模型开源。与其说图片模型不如说它是设计模型，设计图生成能力是真不错。9.3B 参数单流 DiT 架构，开放权重、支持商业许可。核心发力方向明确，面向设计生产场景，强化文字渲染、层级化生成、结构化 JSON prompt 控制，支持 2K 输出与品牌设计工作流。可以和 Qwen Image 2.0、ERNIE Image、FLUX 等一起放在文字与设计图像模型里掰手腕。JSON prompt 控制这个也很好，模型的输入从自然语言变成结构化数据。不过审美更西化，可能不那么符合国内主流审美。 6月11日，Midjourney 将默认模型从 V7 更新为 V8.1。 6月17日，美图官宣了 MiracleVision V6，这同样是一款基于 MoE 架构的基座模型，支持文本、图片、视频、音频等多模态输入；强调视觉决策能力、生成质量与一致性，并支撑美图产品内大量生成请求。美图好像隐隐摸索出了另一条路：有稳定场景和真实用户作为后盾的公司，自研模型亦有出路。 6月23日，阿里云发布 HappyHorse 1.1，强调运动表现、一致性、视觉质量提升，面向专业创作者，覆盖文生视频、图生视频与视频编辑。HappyHorse 1.1 I2V 在视觉质量、动态表现和跨片段一致性上均有明显改进。 6月23日，Seedance 2.0 原生 4K 分辨率上线火山引擎。于创作者而言，这是 AI 视频迈向广告级与专业交付的又一个关键节点。4K 贵是一定的，不是赚钱的项目建议就不要用这个分辨率了。 4K 的意义重点在可交付，毕竟广告和品牌客户的验收标准里，画质细节是硬门槛，过不了这条线，前面所有的电影感都只是 demo。（FORCE 大会一手消息，我在现场( ^▽^ )） 6月30日，Google 发布 Nano Banana 2 Lite，并把 Gemini Omni Flash 开放给开发者。官方称 Nano Banana 2 Lite 是 Gemini Image 家族里最快、成本最低的图像模型，适合高吞吐、低延迟、批量创意草图；Gemini Omni Flash 则用于视频生成和对话式编辑，可以从文本、图像、视频输入生成或编辑视频。谷歌大半年内的图片产品序列是 Pro → 2 → 2 Lite，一路向下铺，视频则是 C 端先铺满、再开 API 。 谷歌：可能我不是最强，但用户想要什么档位我都有，我还有深渊巨入口，我拿什么输？ 赢麻了，赢麻了。 补充说明 看完以上的记录以后，大家可能会觉得，怎么有些自己常用或者熟悉的模型没有出现在上面的时间轴中？这有可能是因为它们的发布时间不在今年上半年的区间内。 比如以下这些模型： MiniMax 的 Hailuo 2.3 视频模型，发布于 2025 年 10 月，至今仍被许多创作者用于制作复杂动作和微表情，动漫风格效果也很不错，性价比很高。 美团的 LongCat 模型，发布于 2025 年 12 月，这是一个开源的中英双语图像模型，强调文本渲染、生成和编辑。 阿里的 Qwen Image Layered（拆图层）和 Qwen Image Edit（图像编辑）发布于 2025 年 12 月，目前依然在 ComfyUI、ModelScope、Hugging Face 等工作流中被频繁使用，分层编辑和文字编辑很不错。 顺便说一句， 模型能“长寿”也能看出，如果能在工作流里站稳脚跟，模型的生命周期会远远长于热搜周期。 Midjourney V1 Video 视频模型，已经是去年 6 月份发布的产品了。不知道今年 Midjourney 是否还会发布新的视频模型。 最后，再补一个悬念， 6 月 FORCE 大会上火山引擎已经预告了 Seedance 2.5 视频模型和 Seedream 5.0 Pro 图片模型。 Seedance 2.5 视频模型，直指“多素材导演工作流”， 主打最长30 秒单段原生视频、最多可以50 个全模态素材联合生成、一致性局部编辑。预告还看到了它会先生成3D白模再生成。 期待能早日体验。 Seedream 5.0 Pro，将会 主打交互式的精准编辑、并且可以多图层分离，也可以生成高密度信息图了，可以原生生成多语种文字，还可以直出可编辑分层设计图。 相信这些对于设计方向的朋友会非常有用，因为它现在已经从单纯的图片输出向着可编辑的设计稿以及信息图去靠近了。 7 月真是值得期待啊。 下半年会怎样？ 可以看到，2026 年上半年图片与视频模型，不再是单点生成能力的竞争，更多的是往生产系统去迁移，进入真实创作流程。图片模型从审美生成走向资产生产，视频模型从短片 demo 走向可控镜头，二者开始在同一个生产链路里合流。 分开讨论图片与视频模型之前，先说一个贯穿两边的观察。回看上半年的发布词，出现频率最高的关键词已从“更强”换成了“更快、更便宜”：Ray 3.14 快 4 倍便宜 3 倍，Nano Banana 2 主打不肉痛，V8.1 快 3 倍便宜 3 倍，Nano Banana 2 Lite 干脆定位相对成本最低。 一个行业集体从卷质量转向卷成本，通常意味着这一代技术的 S 曲线正在进入平台期 ——（人工输入破折号备注）质量的边际提升越来越贵，竞争逐步转移到推理经济学上了。 从审美生成到视觉资产 图片模型的发展到瓶颈了吗？怎么会，还有很多方向可以卷啊。 图片模型的下一步，可能是更高清晰度的画质、更有辨识度的人像、更强的世界知识物理理解、更杰出的审美、更精确的文字细节、更多元的风格、更优秀的设计等等。 不过，有一点也比较明显。上半年几乎所有图片模型都在卷“文字渲染”，从 GLM Image 到 Qwen Image 2.0 到 ERNIE Image 到 Ideogram 4.0 到 ChatGPT Images 2.0，无一例外。为什么大家不约而同盯着这个看起来很小的能力？ 因为文字渲染是“可控性”的最显示表现，评判好不好比审美客观。一个模型能不能把图片中的汉字一笔不差地写对，直接反映了它对像素的控制精度到了什么程度。文字是唯一一种“差一点就是错”的图像内容。 画面美不美好不好可以见仁见智，字写错了就是写错了。谁最先把文字彻底做稳，谁就向所有 B 端客户证明了：我的输出可验收哎！ 用户：爱了。 如果真的出现六边形模型，会走向赢者通吃的局面吗？ 我的个人观点，图片模型下一阶段不会简单赢者通吃。强通用模型会继续占据高质量入口，但低价高速模型、垂直商业模型、文字设计模型等都会继续存在。真实生产里，人们要的不只是一张最好看的图，便宜、快、可控、可编辑、能交付等等都是重要考虑因素。 更具体一点，我认为格局可能会分成三层：入口层（长在超级应用里的模型，赢在分发不赢在参数）、管线层（被写进工作流和 API 的模型，赢在稳定和可控）、廉价层（把边际成本打到地板的模型，量大管饱使劲蹬也不心疼）。三层的赢家可以是不同的公司，甚至同一条生产链路里同时用到三层：草图用廉价层，正稿用管线层，临时需求丢给入口层。 从惊艳片段到更可控镜头 从今年上半年就可以感觉到，视频模型也已经进入下一阶段，短片 Demo 不过是基础操作，主流视频模型早已开始了多参考、多镜头、原生音频、更高画质、参考驱动、视频编辑精细化与后期等方向的进化，逐步走向更长时、更稳、更可控、更可交付。 这里我想把上半年的信号做个小结： 第一，输入方式的变化。 从 Veo 的 Ingredients，到 Seedance 的 9 图 3 视频 3 音频，再到 Vidu 的 1 7 张参考图，视频模型的接口正在从“文字描述”变成“素材投喂”。创作者可以从“写 prompt”迁移到“备素材、管资产”这个方向来完成视频生成，而这其实是传统影视制片一直在做的事。有点矛盾但又合理的是，AI 视频把老工作流的方式加入进去，又以新的方式加速了创意的产出。 第二，合规会影响模型最终呈现给用户的能力。 Seedance 2.0 发布即召回削弱这件事，给全行业画了一条线：模型越强，IP、肖像、区域监管的约束就咬得越紧。下半年，视频模型会更能打，能早早在这方面找到最优的解决方式，做好版权素材授权、可溯源水印、真人授权体系，这些有点枯燥的基础设施，可能也将成为决定胜负的关键。 真正使用它的用户会用它做什么？真实创作进程中，它可能会卡在哪里？而卡在哪里的痛点，就是视频模型下一步进化的方向。 Agent：调度与扩宽能力边界 模型都成长起来了，可以把 Agent 当自己的中层，让它调兵遣将，节省我们自己的时间了。 底层模型越强，Agent 才越好用；底层模型不行的时候，Agent 只是在自动化制造废片。 Agent 最大的作用，是通过更好的调度来放大模型的价值。 决定作品上限的，依然是创作者本身的能力、图片模型的审美、文字、编辑能力，以及视频模型的运动、物理、一致性和音画同步等。这些底层能力已经足够强，Agent 才能通过更好的调度，把它们组织成更高效的创意工作流。 但 Agent 工作模式成为常态可能还会带来一个后果：当模型的调用方是 Agent，模型就从产品退化成了零件。对模型公司来说，进了 Agent 的调度池，调用量会很大；但同时，你和竞品之间只隔着一行配置文件的距离，你没竞品好用，用户忠诚度嘎巴一下归零。在成熟的创意 Agent 平台，模型之间的竞争会比现在残酷得多，也诚实得多。 小结 唯一不变的，就是变化一直在发生。过去我们更关心模型能不能生成一张好看的图、一段惊艳的视频；现在我们会越来越关心，它能不能稳定参与真实创作：能不能保持角色一致，能不能接住多轮任务、复杂修改，能不能做首帧和关键帧，能不能进入广告、短剧、IP 角色、信息图这些具体场景里，最后真的交付出好东西。 上半年只是一个节点。下半年如果还有新的模型、新的工作流和新的创作方法，我也会继续边用边记录。 也欢迎大家在评论区补充你真正用过、觉得值得留下的模型！ 最后感谢 Codex 在我查找资料和核对信息时做出的贡献。这期真肝啊，朋友们觉得有收获请猛猛三连 👍🌸🔄 鼓励一下阿真，非常感谢！ 这一篇相对严谨和乏味一点，下期可能是阿真上半年的所有 Vibe Coding 工具盘点，很好玩的 o(^▽^)o 下期见(ง•̀ •́)ง 🔗 原文链接： https://mp.weixin.qq.com/s/LIiwn4rw... https://mp.weixin.qq.com/s/LIiwn4rw... 原创 阿真 阿真 阿真Irene2026年7月4日 16:22 广东 嗨大家好！我是阿真！ 一转眼 2026 年已经进入下半年，是时候对上半年进行一些小结了。 今天来好好盘点 2026 年上半年的图片与视频模型，伴随模型更新时间轴出现的，还有我一些当时的测试文章。也算是对不怎么努力也没什么收获的上半年做个总结汇报了。 叠甲：我的观点只是我的观点，完全不权威，有看法的都是个人看法，大家想反对就直接反对。我这里不存在反感或者痛骂某个模型的情况，大部分时候比较理性。同时，我也可能会对有的模型的真正价值理解不够透彻，还有可能漏掉一些沧海遗珠，大家可以评论区补充或者积极留言。 以及，这篇文章以模型为主线，如果有朋友好奇为什么没有即梦或其他的话，即梦属于产品，我肯定会提到即梦这个产品它使用的模型；模型绕不开它所在的产品时，我也会顺带聊到产品，但不做单独的产品测评。 上半年发布了什么？ 问起这个问题的时候，你的脑海里出现了哪些图片和视频模型？ Nano Banana Pro，GPT Image 2，Seedance 2.0？ 实际上 Nano Banana Pro 已经是 2025 年 11 月 20 日发布的模型了，今年 2 月发布的是 Nano Banana 2，是谷歌的另一个相对更便宜的图片模型。 而上面提到的几个图片模型和视频模型，算是我们公认的今年上半年好评最多的模型了。 但其实上半年还有很多团队的图片和视频模型发布，并且它们也都有各自的亮点。大家也可以看看，哪些模型是你体验过的？下半年，大家会看好哪些模型呢？ 1月份 1月9日，Midjourney Niji 7 发布。相比于上一代，它的细节更加清晰，比如眼睛反光以及背景的小元素都更加细致。并且，它也拥有更好的动漫一致性、Prompt 理解能力、风格迁移的表现，可以说是审美与风格专用模型细分品类中的 TOP。不过，虽然官方表示优化了文字渲染能力，但说实话，这方面做了约等于白做，竞争力不大。不过换个角度想，守住一个单点，可能也是一种清晰的定位。详情可看 👉 超全Niji V7多场景实测，Midjourney这位前顶流又仰卧起坐了。 超全Niji V7多场景实测，Midjourney这位前顶流又仰卧起坐了。 1月13日，谷歌升级 Veo 3.1 Ingredients to Video，可用参考图控制角色、背景、物体和纹理；强化角色身份一致性、背景与物体一致性；支持原生竖屏输出，并可在 Flow、Gemini API 和 Vertex AI 中升采样到 1080p 或 4K。这个在海外的呼声不错，为广告和产品、电商以及角色连续短片领域带来了更多的可能性。“Ingredients（食材 / 成分 / 配料）”这个命名也很有意思，也算是预告了全年视频模型交互方式的走向，包括后面 Seedance 2.0 的多参考输入，也是在这个方向大大加强了。 1月14日，智谱发布