首个多模态世界模型Solaris发布，同时DeepSeek开源305B视觉模型：多模态Agent竞争进入新阶段？
事件概述：多模态能力从“看”到“做”的跃迁
2026年9月2日，AI行业迎来两个标志性事件：Runway推出首个界面世界模型Solaris，可实时逐帧生成交互式界面，无需编写代码；与此同时，DeepSeek在Hugging Face上线DeepSeek-V4-Flash-Vision-Exp，采用MIT协议开源，参数规模达305B，激活仅13B，将多模态Agent的推理成本压缩至纯文本水平[1][2][8]。这两个动作共同指向一个趋势——大模型竞争正从“谁聊天更聪明”转向“谁能看懂真实世界并替用户完成任务”。
事件还原：5W要素拆解
Who（主体）
Runway（AI视频生成与交互平台）与DeepSeek（中国AI初创公司，专注开源大模型）。
What（事件）
Runway发布Solaris，称为“首个界面世界模型”，可直接生成交互式界面，属于操作系统级范式；DeepSeek开源V4系列首个多模态模型，具备识图、Agent任务执行能力，多项指标对标Opus-4.8[5][6]。
When（时间）
Solaris于2026年8月底至9月初发布；DeepSeek-V4-Flash-Vision-Exp于8月21日上线API，9月2日开源权重[5][10]。
Where（平台）
Runway官方博客及网站；Hugging Face模型仓库。
Why（背景）
多模态能力成为AI落地关键瓶颈，此前模型仅支持图文问答，缺乏主动交互；DeepSeek希望通过开源降低多模态Agent门槛，Runway则直接切入界面生成，意图重新定义人机交互方式。
多模态世界模型是什么？与普通多模态模型有何区别？
传统多模态模型（如GPT-4V）擅长“看图问答”，但无法主动生成可交互的界面或执行连续动作。而“世界模型”强调对物理世界或数字世界的因果建模，能预测、生成并响应用户操作。Solaris被Runway称为“首个界面世界模型”，本质上是一种新型操作系统，能实时逐帧生成交互式界面，让AI从“看懂”进化为“动手”[2]。DeepSeek的V4多模态模型则定位为“多模态Agent”，不仅看懂截图、图表，还能结合工具调用自动完成任务，例如操作软件、填写表单等[5][10]。
DeepSeek V4多模态开源：305B参数仅激活13B，如何实现“低成本”商用？
DeepSeek-V4-Flash-Vision-Exp采用MoE（混合专家）架构，总参数305B，但每次推理仅激活约13B参数，这使得其推理成本与纯文本模型接近，打破了“视觉模型必然昂贵”的魔咒[8]。MIT协议进一步放开了商用限制，允许开发者自由部署、微调甚至魔改[1][7]。在关键排行榜上，该模型Terminal Bench 2.1得分83.9，DeepSWE 59.3，多模态Agent的Agents’ Last Exam 27.3、ZeroBench 35.0，部分指标已接近甚至反超Opus-4.8[5]。更重要的是，加入视觉模块后，原有文本推理和Agent能力并未下降，证明了“多模态不稀释单模态”[8]。
Runway Solaris：首个界面世界模型，是否意味着“无代码”时代的终结？
Solaris的核心理念是“无需编写代码，即可实时逐帧生成交互式界面”[2]。这意味着AI能理解用户意图（如“做一个天气预报App”），并直接生成可点击、可交互的UI界面，相当于把操作系统本身变成了AI驱动的生成器。这种能力远超传统UI生成工具，因为它具备“世界模型”的因果推理能力：能预测用户点击后的状态变化，并逐帧生成后续画面。Runway将其定义为“新型操作系统”，暗示其可能颠覆传统开发流程，让非技术人员也能创建复杂应用。
舆论场争议：开源是普惠还是隐患？
DeepSeek开源引发两极化讨论。支持者认为，MIT协议让中小企业、个人开发者获得高性能多模态能力，打破闭源垄断[9]；反对者指出，实验版本缺少安全对齐，本地部署存在风险，且复杂图表、精细视觉推理仍有短板，距离顶级闭源模型（如GPT-4o）存在差距[7][9]。此外，305B模型对硬件要求高，普通用户难以直接体验，生态构建仍需时间[10]。Runway Solaris则因技术门槛高，目前仅限内测，尚未公开评估。
公司业务影响表
| 公司 | 动作 | 涉及业务 | 影响对象 | 关键数字 | 短期影响 | 长期观察 | 来源 |
|---|---|---|---|---|---|---|---|
| DeepSeek | 开源V4多模态实验模型 | AI模型、多模态Agent | 开发者、企业、开源社区 | 305B参数/13B激活；MIT协议；Terminal Bench 83.9 | 降低多模态商用门槛，吸引开发者二次开发 | 可能成为多模态Agent开源标准，但需解决安全对齐与稳定性 | [1][5][8] |
| Runway | 发布Solaris界面世界模型 | AI生成界面、操作系统 | 应用开发者、产品经理、设计师 | 首个界面世界模型；实时逐帧生成 | 引发“无代码”开发新范式讨论 | 若开放API，可能重塑应用开发流程 | [2] |
| 小鹏汽车 | 第二代VLA模型重大升级 | 自动驾驶、机器人 | 汽车用户、机器人开发者 | 单次训练数据吞吐量提升10倍；2250 TOPS算力 | 加强长尾场景识别能力，推动自动驾驶进化 | AI Infra复利效应跨本体复制至机器人 | [4] |
延伸价值：多模态Agent成为下一条主赛道
DeepSeek与Runway的案例表明，多模态模型正在从“看图说话”向“看懂后动手”演进。小鹏汽车的VLA模型同样强调“主动数据挖掘—闭环仿真—飞轮效应”，将AI底座从汽车复制到机器人[4]。这意味着，多模态能力将不再局限于聊天或图像生成，而是成为智能体（Agent）的“眼睛”和“手”。对开发者而言，DeepSeek的开源提供了低成本试错机会；对普通用户，Solaris这类模型可能在未来几年内改变我们使用应用的方式。
QA常见问题解答
Q1: 首个多模态世界模型是哪个？
A: Runway于2026年8月底发布的Solaris被称为“首个界面世界模型”，能实时生成交互式界面。DeepSeek V4多模态模型定位为多模态Agent，两者侧重点不同，但均代表多模态能力从“读”到“做”的进化。
Q2: DeepSeek V4多模态模型开源有什么意义？
A: 它采用MIT协议，305B参数仅激活13B，推理成本与纯文本模型接近，打破了多模态模型“贵且闭源”的格局。开发者可免费部署、微调，推动多模态Agent应用生态发展。
Q3: 这些模型普通用户能用吗？
A: DeepSeek模型可通过API调用（需付费），但开源权重对硬件要求较高（据公开报道，需至少80GB显存以上GPU），普通用户直接本地部署有门槛。Runway Solaris目前仅内测，尚未公开开放。建议关注后续官方平台或社区转写版本。
#首个多模态世界模型发布 #DeepSeekV4多模态模型正式开源 #RunwaySolaris #多模态Agent #AI开源生态