MiniMax发布新一代开源视频模型H3，具备全模态精准控制和AI原生后期能力，支持文字、图片、视频、音频混合输入。测试显示，H3能高效生成产品宣传片、品牌片、广告和游戏UI视频，精准替换物体、背景和镜头角度，并自动完成转场、配乐和文字渲染。它降低了视频制作门槛，让非专业用户也能快速产出完整Demo，同时开源特性帮助企业自主搭建视频生产能力，推动AI视频进入商业生产。

面壁智能发布了MiniCPM-o 4.5，这是首个全双工全模态大模型，支持视频、音频和文本流输入，能够在个人电脑上运行，具备实时感知和主动交互能力，提升用户体验。该模型在多项评测中表现优异，适用于智能助手和无障碍服务，但在稳定性和复杂场景处理上仍有不足。

戴盟机器人发布了全球最大规模的全模态物理世界数据集Daimon-Infinity，涵盖触觉、视觉等多维信息，计划形成数百万小时的数据。该数据集将用于真实场景的物理交互，推动具身智能的发展，并已开源10000小时高质量数据，构建了外发式数据采集网络，形成完整的数据处理闭环。

国家数据局首次确认“词元”为Token的标准译名，标志着AI技术向全模态发展。模思智能通过语音切入，推动统一Token结构，提升情境理解能力，已成为国内领先的全模态模型公司。

小米于3月18日发布了三款自研大模型：MiMo-V2-Pro、MiMo-V2-Omni和MiMo-V2-TTS，旨在提升智能体的任务执行、全模态理解和声音合成能力。MiMo-V2-Pro在全球智能模型中排名第八，支持高强度任务；MiMo-V2-Omni具备文本、视觉和语音的全模态交互能力；MiMo-V2-TTS实现多方言和情感转折的声音合成。这些大模型将推动小米AI与硬件的深度融合。

OpenBMB推出的MiniCPM-o-4.5模型仅用9B参数实现全模态能力，强调跨模态对齐与推理效率，适合主流GPU部署，具备高性能与轻量化优势。

百度文心大模型5.0正式上线，参数达到2.4万亿，具备全模态理解与生成能力，支持文本、图像、音频和视频等多种信息。该技术采用统一自回归架构，提升推理效率，显著增强多模理解、代码生成和创意写作能力。百度千帆平台已支持企业用户便捷调用文心5.0，助力各行业应用。

Uni-MoE-2.0-Omni是哈尔滨工业大学深圳分校研发的全模态大型模型，支持文本、图像、音频和视频的理解与生成。基于Qwen2.5-7B模型，采用动态容量路由和渐进式监督学习，显著提升了跨模态推理能力，尤其在视频理解和长语音处理方面表现优异。

多模态人工智能正向全模态大模型发展，但评测体系滞后。美团LongCat团队提出UNO-Bench，提供高质量评测基准，有效评估模型的单模态与全模态能力，揭示“组合定律”，推动AI行业发展。

Ola模型是一种全模态语言模型，具备图像、视频和音频理解的强大能力。其采用渐进式模态对齐策略，逐步提升模型性能。在多个基准测试中，Ola超越了现有的专用模型，推动了全模态理解的研究进展。