多模态大模型 行业研究报告

一、研究摘要 / 核心观点

1. 从"拼接多模态"走向"原生多模态"：原生（端到端）多模态架构（GPT-4o、Gemini、Qwen2.5-Omni 等）在性能、时延、部署效率上优于模块化拼接架构，正成为头部厂商主流路径（[华泰证券，经 d2pulse 转述](https://d2pulse.com/?p=226/)）。
2. 市场规模口径差异巨大、整体高增：西方机构"多模态 AI"口径 2024—2025 年全球约 17 亿—287 亿美元不等；中文"多模态大模型"口径 2025 年中国约 234 亿元人民币、全球广义或达数百亿美元——核心是统计边界不同（[Grand View](https://www.grandviewresearch.com/industry-analysis/multimodal-artificial-intelligence-ai-market-report)、[TBRC](https://www.thebusinessresearchcompany.com/report/multimodal-ai-global-market-report)、[三个皮匠](https://www.sgpjbg.com/news/7074530.html)、[IIM](https://www.iim.net.cn/103/view-221851-1.html)）。【口径差异】
3. 中国 MaaS 与大模型解决方案爆发：2025 上半年中国 MaaS 市场 12.9 亿元（同比 +421.2%）、AI 大模型解决方案 30.7 亿元（+122.1%），整体 43.6 亿元；百度智能云以 16.6% 领跑（[IDC/中国经济网](https://www.ce.cn/cysc/tech/gd2012/202510/t20251029_2547011.shtml)）。
4. 端侧多模态加速下沉：MiniCPM-V、Qwen2.5-VL 等 7B—8B 级开源 VLM 可在消费级 GPU/手机端运行，将多模态能力推向车载、手机、IoT 边缘（[Artificial Intelligence Wiki](https://www.artificial-intelligence-wiki.com/generative-ai/large-language-models/llm-vision-capabilities)、[DEV](https://dev.to/unfiltered_anshul/title-gpt-4o-level-vision-on-a-laptop-the-open-weight-multimodal-llms-that-changed-the-game-3h47)）。
5. 商业化由视频生成领跑：快手可灵 AI 2025 年 12 月月收入突破 2,000 万美元、ARR 达 2.4 亿美元，验证多模态内容付费心智（[快手 IR](https://ir.kuaishou.com/news-releases/news-release-details/kelingainianhuashouruyunxingluzai2025nian12yueda24yimeijin/)）。

一句话启示：基座模型已是巨头（OpenAI/Google/阿里/字节/百度/腾讯）红海，确定性的窄众机会在端侧多模态、行业多模态垂模、多模态数据标注与评测。

二、研究背景与定义

2.1 技术定义

多模态大模型（Multimodal LLM / VLM）指基于 LLM、能够同时接收、理解并输出文本、图像、音频、视频等多种模态信息的基座模型。典型形态：GPT-4o（OpenAI）、Gemini（Google）、Qwen-VL / Qwen2.5-Omni（阿里）、Claude（Anthropic）、文心一言多模态（百度）、豆包（字节）。技术路线上分模块化（ViT/CLIP 编码器 + LLM 拼接）与原生（端到端统一训练）两类（[华泰证券，经 d2pulse 转述](https://d2pulse.com/?p=226/)）。

2.2 研究边界（"窄"的体现）

• 纳入：视觉语言模型（VLM）、原生多模态基座、多模态训练/推理框架、端侧多模态部署、行业多模态垂模、多模态数据标注与评测。
• 排除：

- 纯文本大模型（GPT/Claude 纯文本能力）仅作对比不展开；

- AI 智能体（Agent）整体编排与自主任务执行单独成篇，本报告仅涉及其多模态感知底座；

- 文生视频/图生视频作为"应用"提及，不视作独立赛道拆解（避免与"AI 视频生成"报告混淆）；

- 训练芯片、智算中心单独成篇，本报告仅在算力需求侧引用。

• 聚焦点：原生 vs 模块化技术路线、训练/推理算力、云端与端侧部署、垂直行业落地。

2.3 配置/属性

多模态大模型属基础软件/AI 基础设施，受《生成式人工智能服务管理暂行办法》、欧盟《AI 法案》等监管；部署形态分云端 API/MaaS 与端侧私有化两类；模型参数从 7B（端侧）到数千亿（云端旗舰）不等，平均参数量由 2024 年约 1,400 亿升至 2025 年约 3,800 亿（[三个皮匠](https://www.sgpjbg.com/news/7074530.html)）。

三、研究方法与数据来源

1. 国际研究机构：Grand View Research（[链接](https://www.grandviewresearch.com/industry-analysis/multimodal-artificial-intelligence-ai-market-report)）、The Business Research Company / Research and Markets（[链接](https://www.thebusinessresearchcompany.com/report/multimodal-ai-global-market-report)、[链接](http://www.researchandmarkets.org/reports/5948662/multimodal-ai-market-report)）、QYResearch、Research Nester、Fortune Business Insights（经 [三个皮匠](https://www.sgpjbg.com/news/7074530.html) 汇总）。
2. 国内机构与券商：华泰证券《多模态大模型和应用奇点将至》（2025-07-09，经 [d2pulse](https://d2pulse.com/?p=226/) 与 [财联社/东方财富](https://finance.eastmoney.com/a/202509013500923718.html) 转述）、IDC《中国 MaaS 及 AI 大模型解决方案市场追踪 2025H1》（[中国经济网](https://www.ce.cn/cysc/tech/gd2012/202510/t20251029_2547011.shtml)）、Omdia《中国具身智能 AI 云市场 1H25》（[东方财富](https://finance.eastmoney.com/a/202602093645496591.html)、[IT168](https://m.it168.com/articleq_6916717.html)）。
3. 上市公司/官方披露：快手可灵 AI 投资者关系公告（[ARR 公告](https://ir.kuaishou.com/news-releases/news-release-details/kelingainianhuashouruyunxingluzai2025nian12yueda24yimeijin/)、[周年公告](https://ir.kuaishou.com/news-releases/news-release-details/kling-ai-celebrates-first-anniversary-achieves-annualized/)）、极飞/大疆等（见农业篇）。
4. 技术社区与部署文档：Artificial Intelligence Wiki（[VLM 部署](https://www.artificial-intelligence-wiki.com/generative-ai/large-language-models/llm-vision-capabilities)）、DEV.to（[端侧 VLM 实测](https://dev.to/unfiltered_anshul/title-gpt-4o-level-vision-on-a-laptop-the-open-weight-multimodal-llms-that-changed-the-game-3h47)）、Qwen3-VL 部署指南（[qwe.edu.pl](https://www.qwe.edu.pl/ai-tools/qwen-vl-install-guide/)）。
5. 口径说明：全球"多模态 AI"与中文"多模态大模型"统计边界差异极大（前者多含软件/服务全栈、后者偏基座与方案），已在第四节逐项标【口径差异】。