2026年3月，Luma AI发布全新图像模型Uni-1，由不到15人的华人团队打造，正面对标谷歌Nano Banana Pro和GPT Image 1.5。Uni-1是一个统一的图像理解与生成模型，在角色姿态迁移、多参考图场景合成、草稿转漫画等任务中表现优异，部分能力达世界领先水平。团队核心成员包括DDIM之父宋佳铭和CVPR最佳论文作者沈博魁。Uni-1采用decoder-only自回归Transformer架构，将文本与图像表示在同一序列中，实现‘先想后画’的能力，并在RISEBench等基准测试中取得最优成绩。该模型不仅在生成任务中表现出色，还在传统理解任务上展现竞争力，获得谷歌DeepMind首席科学家Oliver Wang等业内专家点赞。Luma AI计划将这一框架扩展至视频、语音等领域，目标构建多模态统一系统。

12月10日，据消息源@marmaduke091爆料，OpenAI正在测试两款代号为“Hazelnut（榛子）”和“Chestnut（栗子）”的全新AI图像生成模型。这两款模型近期频繁出现在Design Arena和LM Arena等竞技平台，可能与传闻中的GPT-5.2一同发布。新模型在“图像内代码”渲染能力上取得突破，能更准确呈现清晰代码文本，同时在通用场景理解力上接近谷歌Nano Banana Pro模型。然而，人像生成质感仍需改进，面部皮肤纹理被指有明显“塑料感”。技术架构或基于GPT-4o而非最新的gpt-image-1，但具体细节尚待官方确认。

2025年8月，谷歌发布全新图像模型nano banana，引爆AI社区。该模型可融合多张图片生成全新画面，理解地理、建筑与物理结构，甚至将二维地图转化为三维景观。凭借Gemini技术，nano banana实现“有记忆”的多轮创作，具备极高一致性和创造力。用户可上传最多13张图片进行拼接，或标注现实场景中的地标建筑。模型还能从等高线生成地貌、渲染工程视图、定制试衣效果，并修复老照片。其背后技术包括多模态上下文处理与交错生成，灵感源于网友反馈和团队对文字渲染的执着。谷歌DeepMind团队透露，未来目标是让模型超越指令，提供更优创意解。目前，nano banana已在LMArena上线并获高度评价。

Midjourney宣布入局视频生成领域，其图像模型V7持续更新，视频生成效果逼真，动作流畅且细节丰富，包括跑步、挖蛋糕、多人物动作切换等场景均表现出色。尽管如此，视频缺乏音频功能引发网友热议，质疑其入局时机。Midjourney强调区别于其他模型的独特“动画化图片”功能，并计划通过用户评分和建议完善视频模型。此外，Midjourney V7图像生成模型也不断迭代，新增“草稿模式”，可通过语音输入生成多张图像，大幅提升生成效率。团队承诺开放定价权，希望满足不同用户需求。目前，Midjourney视频模型仍在完善中，预计未来将与图像模型共同成为视觉技术领域的领军者。

12月27日，快手宣布推出可图1.5图像模型，新功能包括“AI模特”，通过文本描述生成AI模特形象，结合AI换装和可灵1.6图生视频功能，可生成服装展示视频。此外，可灵1.5模型在高品质模式下支持“尾帧生成”功能，上传图片后可基于尾帧生成5秒或10秒的视频。可灵对口型功能新增10款高品质音色，并支持7种情感选择，使人物配音更加生动自然。