写在前面：说实话学术界我是不担心的，这帮子paper machine总能找到第一个角度大水漫灌，卷就算了，主要是现在人均卡还贼多，这让高校的普通博士根本没法玩。

AIGC方向上的分享在这个回答就不赘述了，感兴趣的朋友可以参考之前的这个回答，涉及T2I、可控生成、编辑、视频上的一些任务等，感兴趣的朋友可以移步：

LLM的一些发展方向：MLLM、MoE架构、Agentic LLM/MLLM，其他一些博主都分享得非常详尽了，大家可以综合参考，这里我也分享一篇之前的相关回答，感兴趣的朋友可以移步：

---

这篇回答，个人更想分享的还是实际产品的一些看法。

LLM这一块从ChatGPT开始，到后来的Claude和Gemini，现在基本上已经到了一个相对成熟，而且有很多领域都相对可用的一个状态，是实实在在的生产力，就我自己的日常使用而言，不管你是科研需求上文献检索、问题探讨、code上的分析、写code、写文章，等等，乃至生活健康、科普、心理认知的各个方面，现在的LLM都能帮上很大的忙。是一个不会累、100%忠诚可靠、定制化咨询的24小时在线一对一服务。

反观AIGC这一边呢？先讲个AIGC笑话——2个月内，Sora 2的留存率基本接近0%。这就是现在AIGC实际落地的生态，做出来的东西还是偏toy，在实际干正经事的时候甚至都不能做到LLM那样可用。从SD开始，到Midjourney，再到之前的Nano Banana 1，搞不好最后利好的只有做自媒体的。

最近唯一令人兴奋的可能是Nano Banana Pro，里面使用了图像生成技术的CoT，而且已经能生成出很复杂的风格化海报了。

距离实际可用还差多远？——我觉得还需要让子弹飞一会。即使现在Nano Banana Pro的总体效果已经非常不错了，但是如果你仔细看生成的细节还是有瑕疵：字体渲染模糊、一致性问题等等；同时，最主要的还是现在只能通过text prompt交互，事实上text prompt的交互形式对于细节的把控还是会比较有限的，个人感觉比较理想的可能是偏PPT或Visio那种交互式的UI界面会更好。

当然上面说的这些都是从1到10的优化问题了，Nano Banana Pro的效果已经值得大家庆祝，实际效果跟上也只是时间问题，可以值得期待一下。

LLM产品个人更关注的还是多模态能力上质的飞跃。我是9月份左右开始订阅的GPT Pro，说实话现在的GPT Pro达到一个普通博士的水平没有问题，纯文本、简单图片的一些任务输出的回复已经非常可靠了，重度用于日常生活、工作、科研中肯定都是没有问题的。

我想说的多模态能力不只是OCR精度的这种粗浅的视觉精度问题，更多的是想像文本一样，通过简单的prompting就能够理解出用户意图，并补全很多高层的信息。简单说说我实际使用过程中的两个例子：

• 一个是如果做cv的朋友，将实验结果丢给GPT或Gemini，它是不具备「判断生成结果的指令是好是坏」的元认知能力的。
• 另一个是如果你把画好的pipeline figure，直接丢给LLM，他对于整体方位的判断非常差劲，同时对于「美感」是没有概念的。

也就是说，在多模态上现在的LLM产品还停留于识别「是什么」的阶段，还没有涌现出「为什么」的能力。

但这都是单纯brainstorm哈，因为光听问题本身都感觉不是现有技术能解决的问题，现在的视觉技术大多都还是停留于system 1的处理方式，还不能像LLM的CoT那样通过更长时间的思考，换取更高质量的结果。最近也有一些文章分析think with image这种模式，本质上对于图像质量的感知能力是有有损害的，所以，感觉视觉技术上的CoT离从0到1还有一段距离，也是Nano Banana CoT让人兴奋之处所在。

如果2026年有某种神秘力量将这种CoT逆向工程出来，然后大家就开始拥抱system 2范式的新cv时代吧，猛猛灌水就完事了（献花）