跨模态生成技术通过学习与融合图像、文本、音视频等多种模态数据，实现复杂的跨模态内容生成。该技术不仅在艺术创作、广告设计、影视制作等领域，展现出广阔的应用前景，也在教育、医疗、娱乐等行业中得到创新应用。近期，DeepSeek推出全模态大模型Janus-Pro，支持多对象动态合成及跨模态时序对齐等进阶能力，引发业界关注。然而，跨模态生成技术仍在细粒度跨模态对齐、动态场景的物理仿真及参数效率与推理速度的平衡等方面面临挑战。
本期围绕跨模态生成技术的大模型预训练、模态对齐、模型优化等关键技术，以及在虚拟内容生成、智能创作辅助等领域的应用，聚合了CCF数字图书馆的相关报告视频和期刊文章资源，方便会员集中观看学习，同时也为读者探索跨模态生成技术的前沿技术提供启发。
编委主任：苏金树 CCF会士 军事科学院教授
本期主编：闵巍庆 CCF多媒体技术专委会秘书长 中国科学院计算技术研究所副研究员
本期编委：亓 帆 CCF多媒体技术专委会执行委员 天津理工大学副教授
本报告将从四个方面介绍生成式大模型的发展趋势，包括：大语言模型（LLM)、多模态大语言模型（MLLM）、多模态生成式AI、AI智能体，同时讨论了生成式大模型未来可能的研究方向。
近年来，深度学习生成技术有力推动虚拟数字人发展。本文聚焦数字说话人视频生成这一热点，梳理其在电影配音等场景的应用前景，从数据集、关键技术、评估策略三方面，总结现状，介绍相关人工智能技术演进，指出待解问题并展望未来，助力领域研究与发展。
视频生成受学界与业界关注，可开源社区里高质量视频生成基础模型发展滞后。此报告将介绍开源视频基础模型VideoCrafter系列的初步探索，涵盖文生视频、图生视频及视频生成评测等工作。
AIGC模型因强大生成能力备受关注，但其快速发展也带来可解释性、公平性等隐患。为此，学术界开启AIGC大模型测评研究。本文回顾相关研究，概述测评过程，整理现有基准，剖析应用问题，研究测评方法，提出应对策略，探讨未来挑战并展望发展方向。
介绍了多模态扩散概率模型在图像、3D和视频生成的最新进展，重点介绍了Vidu视频大模型的三大更新：（1）首发一键生成32s长视频；（2）发布视频/文本到音频生成技术，Vidu生成的视频有声音了；（3）Vidu4D——从Vidu生成的视频通过高效重建，生成4D的视频。
视频介绍了DeepSeek R1的思考和启发、大规模强化学习技术原理与大模型技术发展研判、DeepSeek系统软件优化、从DeepSeek看大模型软硬件优化、畅想中国大模型高质量发展路径。
