全SOTA！不止纯文本，阿里多模态站上全球第一梯队

智东西
作者 李水青
编辑 漠影

智东西8月21日报道，过去一个月，阿里巴巴模型发布全面提速，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。

有业内人士评价，多模态是下一代智能的范式。阿里在多模态上的布局节奏，远比市场感知的要快。

模型密集迭代的另一面，是模型能力开始与云基础设施的增长形成更紧密的联动。2027财年第一季度（对应2026年4月1日-6月30日），阿里云外部商业化收入增速提升至45%，创下22个季度新高。AI云及算力服务收入484.37亿元，经调整EBITA达到56.28亿元，同比暴增133%。AI相关产品收入123.76亿元，连续第12个季度保持三位数同比增长。

在AI进入价值兑现期的当下，多模态也正在从模型榜单上的“能力补齐”，走向更广泛的产业场景，成为观察阿里AI进展的一条重要暗线。

一、阿里AI不只有语言模型，多模态全面开花

刚刚过去的一个月，阿里在模型发布上按下了加速键。

大语言模型方面，8月发布的Qwen3.8-Max总参数达到2.4万亿，在当时编程竞技场CodeArena排名全球第三，在Artificial Analysis Agentic榜单登顶全球第一。Qwen3.8-27B开源仅两天，下载量就突破100万次。截至8月，阿里累计开源模型超过460个，Qwen系列全球下载总量突破30亿次。

芯片厂商和推理框架也在快速跟进。平头哥、英伟达、AMD、沐曦、联发科、摩尔线程等国内外芯片厂商Day0适配Qwen3.8，vLLM、SGlang、Ollama等开源社区第一时间优化推理框架。Qwen已经成为全球AI产业链的基础件之一。

但把时间线拉长到整个季度，会发现更密集的变化其实发生在多模态。

6月22日，视频生成模型HappyHorse 1.1发布，重点升级动态表现力、主体一致性、指令遵循、视觉质感和音频能力。

7月21日，Qwen-Image-3.0发布。它支持最长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，同时支持12种语言、20多款字体原生渲染。8月5日，该模型登上Arena.ai文生图榜单国内第一。

语音方向同样连续更新。7月，阿里连续发布实时语音识别模型Fun-ASR-Realtime、实时语音交互对话模型Qwen-Audio-3.0-Realtime，以及语音识别模型Qwen-Audio-3.0-ASR-Flash。Qwen-Audio-3.0系列的ASR、TTS、Realtime三类模型在Artificial Analysis今年7月的相应语音榜单中均拿下全球第一。

8月6日，Wan3.0公测，单次视频生成时长达到30秒，并首次在文本、图片、音频、视频之外支持doc、xls、ppt、pdf、md等文档输入。8月17日，AI音乐模型HappyShrimp上线，可以完成从作词、作曲、编曲到演唱的端到端整曲生成。

甚至在更前沿的世界模型方向，阿里也已经推出HappyOyster 1.0，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。

语言、图像、语音、视频、音乐、世界模型，一张覆盖越来越完整的模型版图已经浮现。

模型能力的扩张，也正在体现在收入端。财报电话会上，阿里透露，本季度，阿里AI相关产品ARR突破495亿元，包括MaaS在内的模型与应用服务收入（ARR）突破160亿元人民币。

至少从财报看，模型已经从技术投入逐渐变成一项规模化收入来源。

二、从榜单到场景，多模态开始走进产业一线

大语言模型的商业化路径正在变得清晰。

Anthropic靠Coding能力打开高价值企业市场，Cowork进一步把模型带入真实工作流。Qwen3.8在编程和专业办公能力上的大幅提升，正是沿着这条被验证的路径推进，从而获得市场的初步认可。

但市场可能忽略了一点，多模态也已经跨过模型炫技阶段，开始进入一线商业化场景。

语音模型正在重新成为AI时代的人机交互入口。Qwen-Audio正进入会议纪要、智能客服、车载助手、智能硬件、教育等高频场景。相比单纯聊天，这些场景拥有更明确的调用频次、付费主体和ROI。Fun-ASR-Realtime支持16种方言和30种语言，首字延迟在百毫秒级别，已经具备大规模商用条件。

图像和视频模型更贴近内容生产产业链。Qwen-Image-3.0已将复杂UI设计、多语言海报制作、知识图解等商业素材作为重点能力，支持12国语言和20多款字体原生渲染。Wan 3.0覆盖广告创意、影视制作、短视频生成、电商素材生产等环节。HappyShrimp则把生成式AI版图进一步推向音乐创作市场。

科技媒体Semafor报道，Pinterest的AI购物助手和聊天机器人采用了阿里Qwen大模型。Pinterest CEO在财报会上表示，使用开源模型的成本不到Anthropic、OpenAI等同类闭源模型的8%。他直言，任何不用开源模型的CEO，几乎都在浪费股东的大量资金。

AI对阿里核心业务的反哺也在加速。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。

三、能力越补越齐，阿里多模态的价值开始显现

AI真正进入产业后，客户需求天然就是多模态的。

布局多模态模型，有望帮助阿里覆盖更多需求，消耗更多云资源，带动更多配套服务。

首先，多一个模态，对应的往往就是一类新的需求和一批新的客户。比如，一家汽车公司既需要语言模型理解指令，也需要实时语音完成交互；影视、游戏、广告行业的需求则天然横跨文字、图片、声音和视频。

其次，多模态任务还会产生更重的计算需求。高清图片、长视频、实时语音等业务，对GPU、存储和网络的要求都会随之提高。阿里财报也提到，AI应用的部署、访问和持续运行，正在直接带动计算、存储、网络等通用云资源需求增长。

此外，当一个客户同时使用文本、图像、视频和语音模型后，需求链条还会继续延伸到数据处理、模型微调、数据库、对象存储、安全等环节。原本的一次模型调用，可能变成一整条AI生产链，也有望进一步提升客户黏性和综合客单价。

而支撑这套模型体系持续向前的，是阿里近几年不断加厚的全栈AI底座。

在组织层面，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。

芯片层面，阿里自研真武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提及，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，阿里云持续扩张全球AI数据中心布局，扩建完成后将覆盖30个地域、104个可用区。其新一代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%，今年还计划将模块化数据中心全球产能提升两倍以上。

结语：AI进入兑现期，多模态价值正在被重新认识

过去两年，Qwen的纯文本语言模型几乎是外界观察阿里AI的第一窗口。但这其实只是冰山一角。在大众视线之外，阿里的多模态模型（图像、语音、视频、音乐等）正在密集迭代。阿里的 AI 版图，早已从单一的语言模型，扩展为更完整的多模态智能体系。

随着AI从聊天走向内容生产、办公、电商和真实世界交互，多模态的重要性还会继续上升。对阿里而言，这既是一场模型能力的补齐，也是一条正在进入产业深水区的新主线。被低估的多模态，正在走到台前。