目前絕大多數視覺生成式AI屬於多模態模型，透過學習從資料中獲得的多模態連結來實現跨域資訊處理和互動，包括文字生成圖像、文字生成3D物件、文字生成影片、圖像生成影片、圖像生成文字等類型，以下為盤點指標廠商發展概況 :