字节跳动豆包大模型团队推出的前沿视频生成基础模型。该技术通过整合多模态生成能力（文本,图片,音频,视频）与底层的MMDiT架构，实现了“原生音画同步”与“多镜头长叙事”的突破。

Visual ChatGPT 是一个连接对话能力与视觉基础模型的图像交互应用，可通过文字和图片进行交流，并围绕图像开展绘制、编辑等任务。使用时需要在界面中输入 OpenAI API 密钥，也可以上传图片后提交文字请求。

Instant Video 是一款面向文本生成视频的 AI 应用，提供提示词输入、基础模型选择、动作效果选择和推理步数设置，并可使用 AnimateDiff-Lightning 视频生成组件完成创作配置。

本课程围绕现代深度学习、基础模型与多模态人工智能展开，探讨语言、视觉、音频、传感器、医疗数据、音乐和艺术等真实世界数据的处理方式，并通过讲授、阅读、讨论和研究训练建立应用人工智能的判断力。

Z-Image（造相）是通义实验室推出的一款高效图像生成基础模型，基于单流扩散Transformer架构（Scalable Single-Stream DiT, S3-DiT），参数量达60亿。

Qwen-Image 是阿里通义千问团队于2025年8月5日开源的200亿参数图像生成基础模型，采用MMDiT架构，专为复杂文本渲染与高精度图像生成设计。