🏆 多模态 · 模型突破
全SOTA！不止纯文本，阿里多模态站上全球第一梯队
过去一个月，阿里巴巴大语言、图像、语音、视频、音乐五大类模型密集完成重要版本迭代，性能均跻身国际第一梯队。多模态正在从「能力补齐」走向产业深水区，成为观察阿里AI进展的一条重要暗线。
综合公开信息整理•
2026-08-21•
全文约 4 分钟读完
#阿里多模态
#Qwen3.8
#全球第一梯队
#AI产业落地
5 / 5
五大模态全部跻身全球第一梯队
123.76亿元
AI相关产品收入，连续12个季度三位数增长
30亿+
Qwen系列全球下载量，开源模型超460个
⚡ 30 秒速览
- 五大模态全面突破：语言（Qwen3.8-Max）、图像（Qwen-Image-3.0）、语音（Qwen-Audio-3.0）、视频（Wan3.0）、音乐（HappyShrimp）全部跻身国际第一梯队，世界模型HappyOyster 1.0同步亮相。
- 硬核榜单验证：Qwen3.8-Max登顶Artificial Analysis Agentic全球第一，Qwen-Image-3.0拿下Arena.ai文生图国内第一，Qwen-Audio-3.0系列在语音榜单全球第一。
- 商业数据强劲：阿里云外部商业化收入增速45%创22个季度新高，AI相关产品收入123.76亿元，AI产品ARR突破495亿元，模型已从技术投入变成规模化收入。
- 开源生态外溢：Qwen系列下载量超30亿次，已被Pinterest等国际公司采用，成本不到同类闭源模型的8%。芯片、框架、社区全链条跟进。
- 全栈底座成型：自研真武AI芯片服务超650家外部客户，CUBE 5.0架构将AIDC交付周期压缩至100天，组织层面成立Token Hub事业群整合AI业务。
01模型版图全景 语言 · 图像 · 语音 · 视频 · 音乐
过去一个季度，阿里模型发布明显提速。但大语言模型只是冰山一角——多模态的密集迭代才是真正的暗线。从6月到8月，图像、语音、视频、音乐模型相继完成重要版本升级，一张覆盖越来越完整的模型版图已经浮现。
🧠
Qwen3.8-Max
2.4万亿参数 · Agentic榜全球第一
语言 · SOTA
🎨
Qwen-Image-3.0
4.5k Token输入 · 12种语言渲染
图像 · 国内第一
🎤
Qwen-Audio-3.0
ASR/TTS/Realtime三模型 · 语音榜全球第一
语音 · 全球第一
🎬
Wan3.0
单次30秒 · 支持多文档输入
视频 · 第一梯队
🎵
HappyShrimp
端到端作词·作曲·编曲·演唱
音乐 · 第一梯队
注：五大模态均依据公开榜单或权威评测认定"国际第一梯队"。语言、图像、语音有具体榜单排名，视频与音乐基于行业对比与能力覆盖度定性评估。
而在更前沿的方向上，阿里还推出了HappyOyster 1.0世界模型——能够根据一句话或一张图生成可互动、可探索、可实时改变的数字世界。多模态的边界，正在从"理解现实"迈向"构建现实"。
02三个第一，三重验证 不是自夸，是公开榜单
模型的真实水平，独立榜单是最直接的证据。阿里在多模态的三个关键方向上，都拿下了公开、可复现的全球第一。
🥇
全球第一
Qwen3.8-Max
Artificial Analysis · Agentic 榜单
🥇
国内第一
Qwen-Image-3.0
Arena.ai · 文生图榜单
🥇
全球第一
Qwen-Audio-3.0 系列
Artificial Analysis · 语音榜单（ASR/TTS/Realtime）
注：以上榜单均为第三方独立评测，评分标准、测试集、评审流程均公开可查。三个第一分别覆盖智能体、图像生成、语音识别与合成三个核心模态方向。
但榜单只是起点。模型能不能在真实场景中创造价值，是另一回事。
03多模态能做什么？三个真实场景
多模态的价值不在模型本身，而在它打开的新能力边界。以下三个场景，代表了语音、图像、视频各自最典型的产业需求。
🎤 语音交互：16种方言 + 30种语言，百毫秒级响应 已大规模商用
- Fun-ASR-Realtime支持16种中文方言和30种语言，首字延迟在百毫秒级别，已具备大规模商用条件。
- Qwen-Audio-3.0-Realtime实现实时语音对话，正在进入会议纪要、智能客服、车载助手、智能硬件、教育等高频场景。
- 相比纯文本聊天，语音场景拥有更明确的调用频次、付费主体和ROI，是AI时代的人机交互新入口。
商业价值：语音模型正在重新成为AI时代的人机交互入口，场景付费意愿明确。
🎨 图像生成：复杂UI + 多语言海报 + 知识图解 12国语言原生渲染
- Qwen-Image-3.0支持最长4.5k Token输入，可生成包含公式、几何图形、逻辑推导的知识图解和复杂UI。
- 支持12种语言、20多款字体原生渲染，可直接用于多语言商业海报、产品图、广告素材生产。
- 已登上Arena.ai文生图榜单国内第一，证明了其在图像生成质量上的竞争力。
产业价值：图像模型贴近内容生产产业链，从设计到营销的闭环正在形成。
🎬 视频生成：30秒单次生成，多文档输入 Wan3.0 公测
- Wan3.0单次视频生成时长达到30秒，并首次支持doc、xls、ppt、pdf、md等文档输入，实现从文档到视频的跨越。
- 覆盖广告创意、影视制作、短视频生成、电商素材生产等环节，直接降低视频内容制作门槛。
- 与HappyHorse 1.1（视频生成模型）形成组合，覆盖从动态表现力到主体一致性的多重需求。
行业影响：视频生成正在从"玩具"变成"工具"，文档输入能力是关键的产品化突破。
04商业价值正在兑现 从模型到收入，链路清晰
多模态的商业化路径，比外界感知的要快。一个标志性案例：
闭源模型（Anthropic / OpenAI）
Pinterest 此前评估的同类闭源模型，成本高、定制灵活度低，且受限于单一供应商锁定。
Qwen 开源模型（阿里）
Pinterest 的AI购物助手和聊天机器人采用Qwen大模型，成本不到同类闭源模型的8%。Pinterest CEO直言："任何不用开源模型的CEO，几乎都在浪费股东的大量资金。"
注：Pinterest 采用Qwen的信息来自公开报道，成本对比数据由Pinterest官方在财报会上披露。
多模态带来的商业价值不止于模型调用本身。当一个客户同时使用文本、图像、视频和语音模型后，需求链条会延伸到数据处理、模型微调、数据库、对象存储、安全等环节——一次模型调用，正在变成一整条AI生产链。
🛍️
千问 App × 淘宝天猫生态
千问App深度集成淘宝天猫、淘宝闪购等生态，上线以来已有2.5亿用户通过其智能体功能实现AI驱动的购物体验。AI正在从技术能力转化为真实的商业场景。
☁️
阿里云收入结构质变
本季度阿里云外部商业化收入增速45%创22个季度新高，AI云及算力服务收入484.37亿元，经调整EBITA暴增133%。AI相关产品ARR突破495亿元，模型已经从技术投入变成一项规模化收入来源。
05为什么是阿里做出来了？
多模态模型的全面突破，不是偶然的"模型炫技"，而是建立在全栈AI底座之上的系统工程能力。
从芯片到基础设施，从模型到应用，阿里构建了一条完整的链路：
自研真武芯片→AIDC 基础设施→多模态模型→开源生态→产业应用
真武AI芯片已经通过阿里云服务进入20多个行业、超过650家外部客户，覆盖训练、微调和推理等AI工作负载。吴泳铭在财报会议中透露，阿里正在数据中心大规模部署自研倚天/真武体系芯片，并希望逐步替换外购商业芯片，以提高AI云毛利率。
基础设施层面，阿里云全球AI数据中心布局持续扩张，新建完成后将覆盖30个地域、104个可用区。新一代CUBE 5.0架构已将大型AIDC数据中心交付周期压缩至100天，建设成本较上一代降低约10%。
组织层面，今年3月阿里成立Alibaba Token Hub事业群，由吴泳铭直接负责，以"创造Token、输送Token、应用Token"为核心目标重新整合AI业务。多模态模型的密集迭代，正是这一组织调整后的直接结果。
一个诚实的注脚：
多模态模型的全面领先，并不意味着每条产品线都已经完美。音乐模型HappyShrimp刚刚上线，世界模型HappyOyster 1.0仍处于早期阶段。但方向已经明确——AI进入产业后，客户需求天然就是多模态的。谁先补齐多模态版图，谁就能在下一阶段的产业竞争中占据先机。
编辑核心判断
多模态正在从"能力补齐"变成"产业入场券"。阿里用一个月时间证明了语言之外的模型厚度，但真正的考验在于：这些模型能力能否在电商、云、办公等场景中形成不可替代的闭环体验。榜单第一是门票，场景落地才是决赛。
▶现在就能用
千问 App 已集成多模态能力，支持语音、图像、视频、文档等输入方式。登录即可体验最新的多模态模型能力。
千问 App → 体验多模态