7.2
深览指数
科技量子位·田, 晏林··AI 生成
陆川手搓历史现场，王珞丹熬夜抽卡，阿里全模态开始兜底生产
本文以云栖大会为切口，系统梳理了阿里在千问Qwen3.8系列、图像、视频、音乐、语音及世界模型等领域的全模态布局。核心观察是：阿里已不满足于单项模型能力，而是推动多模型进入专业创作与生产链路，如陆川团队5天完成明代爆炸场景，小旭音乐6人孵化15个AI歌手。作者认为下一阶段的关键在于原生全模态统一模型，目标是从抽卡式生成走向理解完整叙事和持续完成任务。适合关注AI产业应用、大模型生态的读者。原文 ↗
核心观点
- ▍阿里多模态战略已从追赶单项能力转向构建全模态生产链，核心过渡点是让AI从生成单个镜头走向理解完整叙事（Agentic Video）。
- ▍多模态下一阶段的关键是原生全模态统一模型，目标是不同模态在底层共享同一任务上下文，消除目前模型协作时的信息割裂。
- 01陆川团队使用阿里视频生成模型，5天内完成明代《天变邸抄》记载的爆炸场景复原，传统做法需数月和千万投入。
- 02王珞丹抽卡抽到凌晨4点描述“卡点”在于：模型难以准确呈现创作者的“具体状态”，但对宽泛概念反而可能给出惊喜，暴露了当前多模态创作中长叙事一致性的不足。
- 03小旭音乐团队6人孵化十多个AI歌手IP，其生产流程涉及音乐模型、视频模型、大模型等多个阿里模组协作，4个月涨粉20万，全网播放量破2亿。
- 04阿里预告下一代视频生成模型将于11月发布，方向之一是从生成单个镜头走向理解完整叙事（Agentic Video）。
- 05阿里在云栖大会公布Qwen3.8系列（含Omni、Flash、Max等变体）、Qwen-Image-3.1、Happy Shrimp 1.1、HappyOyster 2.0 Preview等全模态模型，参数规模瞄准5万亿到10万亿。
- 06太合音乐总裁余灏指出，无授权AI翻唱成本极低，大量版本泛滥，可能侵蚀原版版权方和艺人的价值，AI音乐已涉及产业规则问题。
反方 / 局限
- — 文章虽强调全模态“兜底生产”，但陆川《历史·现场》的成功案例成本是：团队做了四轮提示词优化+参考真实爆炸影像校准，说明当前模型对专业创作仍需大量人工组织与调优，并未实现“自动完成”。
- — 小旭音乐透露“平均4个项目才能跑出1个成功AI歌手账号”，意味着模型在专业领域的成功率仍较低，距离规模化生产有差距。
- — 文章核心判断（三年内出现原生全模态统一模型）主要来自阿里内部观点，缺乏第三方专家或竞争对手的独立验证。
阿里云云栖大会陆川王珞丹Qwen3.8Wan3.0HappyOyster 2.0 PreviewHappy Shrimp 1.1Qwen-Audio-3.1Agentic Video原生全模态统一模型太合音乐集团小旭音乐郑波余灏卢小旭千问Qwen Intelligence
13 分钟 · 4 卡片 · 12 资料
读原文 →