量子位
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
阿里：三年之内会出现一个原生的全模态统一生成模型，未来体验将不再受限于模态边界。
田晏林 发自 凹非寺
量子位 | 公众号 QbitAI
5天。
不用搭景，不用等演员，导演陆川和团队，直接用AI把一场发生在400年前的明代灾难现场，搓出来了！
宫廷、火药库，还有史料中烟云如黑灵芝的大爆炸。按照传统影视工业的做法，这样的场景复原往往需要数月时间和千万级投入。
但这次，他们只用了5天！
来，话不多说，先看短片。
「链接」
怎么样？够猛吧？
人物的脸、皮肤、神态已经相当逼真，几个明代人物也不再是过去那种一眼AI的塑料感。
再看爆炸。烟尘、碎片、火光一起往外冲，这种最容易穿帮的复杂场面，也都稳稳接住了。
要按传统影视工业的路子来，过去光是一场爆炸戏，就要耗费19天。
这次，陆川团队把史料里的文字一点点翻译成现代视觉概念，前后大约做了四轮提示词优化，再参考真实爆炸影像去校准。
最后，阿里视频生成模型对烟尘、碎片这些复杂画面的还原，准确度已经达到团队预期的95%以上。
现在的AI已经进化到不只是给导演吐几段素材而已了。
从史料搜集、画面制作到主题讨论，它开始进入完整创作链路；单在视频生成环节，阿里模型的贡献度就超过了一半。
9月22日，在云栖大会上，阿里云又来了一波大的，直接把模型家底都端了上来。
先看千问基座模型，架构、自我进化、全模态、参数规模，几乎每一层都在往前推：
Qwen3.8-Max开始自己训练自己，Qwen3.8-Flash提前放出下一代架构，Qwen3.8-Omni为大模型开辟全新的思考分区，Qwen4已经开练，Qwen4.5、Qwen5也在路上。
而且，参数规模更是直接瞄准5万亿～10万亿。
另外，图像生成模型Qwen-Image-3.1、音乐生成模型Happy Shrimp 1.1、世界模型HappyOyster 2.0 Preview、语音模型家族Qwen-Audio-3.1、同声传译模型Qwen3.8-LiveTranslate也集体亮相。
下一代视频生成模型则预告将于11月发布。
单拎哪个模型出来，都能讲半天。但结合陆川的短片，放在一起看，味道就不一样了。
阿里这一轮全模态升级，已经不太像是在补单项能力。它更在意的，是这些模型能不能更快进入场景，变成真正的生产力。
阿里的全模态拼图，基本铺齐了
把这次云栖大会的模型更新全部摊开，一张相当完整的全模态地图已经摆在眼前。
文字和通用智能这边，有Qwen3.8，以及已经投入训练的Qwen4。
往外看，图像生成与编辑有Qwen-Image-3.1；视频生成有Wan、Happy Horse系列，以及计划11月发布的下一代视频模型；声音这边是Qwen-Audio-3.1，音乐则交给Happy Shrimp 1.1。
再往真实世界延伸，HappyOyster 2.0 Preview开始处理世界模型和交互环境；Qwen3.8-Omni-Flash把文字、图片、音频、视频放进统一理解框架；Qwen Intelligence继续把Agent能力推向手机终端。
这一串名字看下来，很容易有种新品发布会开到停不下来的感觉。
可把它们塞进一项具体任务里，关系就清楚多了。
拍一条广告，脚本、商品图、人物、口播、音乐，本来就混在一起；做一部电影也一样。
导演给模型的可能是一段文字、一张参考图、一首音乐，最后交付的是一套完整的视听内容。
现实任务天然就是混合模态的。
文字、图像、视频、声音、空间信息往往同时出现，模型最终要处理的，也很少是一种单独的信息。
现实任务不分模态，模型也很难再一项一项地做。
云栖大会现场，阿里巴巴ATH事业群副总裁、淘天集团首席科学家郑波提到：
文本、图像、视频、声音、空间的能力正在加速协同，AI也从生成一张图、一段视频、一首音乐，继续走向理解人的意图，创造完整沉浸式视听体验。
阿里方面判断：如果语言模型是机器的大脑，多模态模型正在成为机器感知世界、创造内容并与物理世界互动的中枢。
这时候再回头看阿里这一整套模型布局，关系就更清楚了。
Qwen负责语言、知识和推理；Image、Wan、Happy Horse、Audio、Happy Shrimp把能力往视觉、影像、声音和音乐延伸；HappyOyster再往三维空间和交互环境里走。
Omni继续处理不同模态之间的统一理解，Agent则把这些能力接进实际任务。
当这些能力开始被放进同一条任务链里，评价标准也跟着变了。
一张图生成得多漂亮，一段视频有多炸裂，依然重要。到了生产环境里，还会多出一长串更现实的考题。
能不能稳定交付，能不能连续工作，能不能理解同一个任务？
从Demo走进生产线，多模态开始接受真考验
这些问题，只有进了真实工作流才会彻底暴露出来。
第一层：内容生产
这是最成熟的一层，也是视频模型最先撞上的考题。
Wan3.0已经支持单次30秒生成，还能接受文档、表格、网页等结构化输入。
据阿里披露，它曾经在Artificial Analysis的文生视频和视频编辑两项榜单上位列第一。
但到了商业场景，榜单只能算入场券。
比如广告，一条片子里的商品外观、Logo、人物和口播只要有一个漂掉，前面生成得再炫也很难直接交付。
这套更苛刻的指标，同样落在了图像、语音、音乐等其他模态上。
「能不能稳定生产」，已经成为多模态进入生产环境后的核心考题。
不过，Wan3.0已经拿到正向反馈了。据使用者介绍，Wan3.0已接近真实广告拍摄水平。
第二层：进入专业创作
陆川的《历史·现场》就是一个很典型的样本。
5天重建一场400年前的历史现场很惊艳，但这次尝试更有意思的地方，其实是它把AI带到了创作者真正难啃的位置。
通用模型很容易生成大家熟悉的古装剧质感，真正的历史现场反而需要陌生感，需要更严谨的史料，也需要模型理解导演到底想表达什么。
对此，阿里巴巴视频生成模型技术负责人表示，未来将与更多导演、行业专家及历史学者合作，为模型引入更全面、更严谨的专业信息。
到了这里，模型面对的已经不只是画面质量，还要开始理解专业知识和创作意图。
音乐创作遇到的则是另一套难题。
9月22日下午，在2026云栖大会的视听分论坛上，太合音乐集团总裁余灏坦言，AI给音乐行业带来的焦虑并不新鲜。
电子合成器、MIDI（乐器数字接口）、DAW（数字音频工作站）都曾经引发过类似担忧，但最后都变成了新的生产工具。
而现在，AI又把音乐创作成本往下压了一大截，普通用户和专业艺人都开始把它当生产力工具。
但音乐一旦进入产业，问题马上变得比「能不能生成一首歌」复杂得多。
训练素材怎么获得，版权怎么算，AI翻唱该不该授权，收益怎么分，这些都绕不过去。
太合和阿里Happy Shrimp的合作，也开始往音乐人共创、产业生态、版权机制和AI音乐新消费场景延伸。
余灏特别提到，无授权AI翻唱的成本太低，大量版本泛滥，会直接侵蚀原版版权方和艺人的价值。
这时候，AI音乐已经从一个创作工具，进入到了产业规则这一层。
小旭音乐创始人卢小旭在论坛上的分享，更像是一张「多模态生产流程图」。
他的工作室做AI歌手，单靠一个模型根本跑不下来。
先做人设和视觉锚点，再用音乐模型做歌曲、人声和编曲，接着把音乐交给视频模型做MV和对口型视频，后面还要接大模型做评论抓取、分类和运营反馈。
整个流程本身，就是一个多模型协同工作流。
不过，这套生意还远没到闭眼复制的阶段。
卢小旭提到，他们平均4个项目才能跑出1个成功AI歌手账号。
但小团队的生产效率，在阿里多模态模型的加持下，已经被明显拉高。
据他透露，其团队6个人就能孵化十多个AI歌手IP，一些账号4个月涨粉20万，全网累计播放量突破2亿。
这几个案例放在一起看，会发现专业创作对模型提出的要求完全不同于普通生成。
电影要理解导演意图，音乐要处理版权和产业规则，AI歌手还得把音乐、视觉、人设、运营串成一整套工作流。
进入专业创作之后，多模态拼的已经不只是生成质量，还要能吃进专业知识，理解创作目标，并接进完整生产流程。
第三层：进入终端和物理世界
再往外走，多模态开始离开内容产业。
目前，千问端到端全双工实时语音交互大模型Qwen-Audio-3.1-Realtime，已经进入千问办公、Qoder（阿里智能体编程工作台）、千问AI眼镜、随身助理和桌面机器人等，能够边听、边想、边说。
Qwen Intelligence继续把Agent能力塞进手机，希望完成跨应用复杂任务。
HappyOyster 2.0 Preview则把战线拉到了物理世界。它要解决的是另一类问题：环境能不能长期保持一致，物体运动能不能符合物理规律，用户操作后能不能及时得到反馈。
这张多模态布局图已经越来越清楚：先给人生成内容，再帮人完成工作，接着让机器真正理解并作用于世界。
但问题在于，这么多单项能力越来越强，AI怎么才能在一件复杂任务里，一直记得自己到底在干什么？
多模态的下一关，是连续理解和完成任务
这个问题，在创作者那里已经出现了。
演员王珞丹在视听分论坛现场分享了她的AI创作体验。
图源王珞丹微博
今年年初，她开始认真学AIGC，自己下场做短片。最开始，她连人物三视图都要一点点学。
再往后，是排队、抽卡、反复试。
王珞丹曾经抽卡抽到凌晨4点，一度觉得很绝望，到了早上6点，终于抽到了想要的镜头。
但更麻烦的是表演。
她的脑子里明明有一个很具体的状态，模型却很难准确呈现。反而在给一个宽泛概念时，模型倒有可能突然给出惊喜。
这很能说明现在多模态创作的一个尴尬：
尽管单个镜头已经越来越强，但故事一长，人物的状态、情绪和气质很难一直保持。
但创作者需要的，恰恰就是AI能记住前面的内容，一直跟着同一个故事往下走。
放到更广泛的Agent任务里，则是记住上下文、环境变化，以及前面已经执行过什么。
问题到这里就很清楚了。图像、视频、语音、世界模型分别变强，只解决了单项能力。
但一项完整任务，往往同时包含视觉、声音、语言、空间、时间和动作，而且这些信息还会一路变化。
AI需要在这些信息之间保持同一个任务上下文。
每切一次模态，就像重新开始一次对话，这种方式很难撑起真正复杂的工作。
这也是多模态下一阶段最重要的一道题：各自很强之后，怎么开始一起工作？
多模态走到下一阶段，看的已经不只是能不能看、能不能听、能不能生成，更要看它能不能围绕同一个目标持续理解。
阿里把更远的方向指向了「原生全模态统一模型」。郑波给出了一个判断：
三年之内会出现一个原生的全模态统一生成模型，未来体验将不再受限于模态边界。
重点在「原生」。
今天，很多多模态系统，更像是一场接力。
图像模型做图，视频模型接着生成，音乐模型负责声音，Agent再去调不同工具。
能力都能用，但一次次交接，也意味着上下文可能丢失。
原生全模态想解决的，就是这种割裂。
不同模态从模型底层共享同一个任务、同一份上下文和同一套世界理解，图像、视频、声音、空间、动作都围绕同一个目标往前走。
据了解，阿里的下一代视频模型已经沿着这条路继续推进。新模型将在11月发布，方向之一就是从生成单个镜头走向理解完整叙事。
阿里往前探索了一步，郑波把这个方向称为「Agentic Video」。
意思是，模型开始理解创作目标和创作意图，从一个想法、一段故事出发，自动拆剧情、做分镜、组织角色和场景，再完成生成。
这和今天的「抽卡式创作」已经是两种体验。
今天，创作者还得反复重讲人物、风格和情绪。但理想状态则是把故事和角色讲清楚一次，AI就能记住全片设定，一路跟下去。
王珞丹熬夜抽卡的经历，暴露的正是多模态创作最后一公里的问题。
但陆川的《历史·现场》，已经让另一种可能开始出现。AI可以真正进入专业创作链路，并承担相当一部分生产工作。
只是今天，这条链路还需要导演和团队在中间不断组织：查史料、定视觉、调提示词、校准画面，再把不同模型的能力接起来。
原生全模态想继续往前走一步，让AI不只接住一个镜头，而是接住一整件事。
这意味着，AI要从理解创作意图，到记住人物、场景和叙事，再到调用图像、视频、声音乃至空间能力持续完成任务。
这样再回头看阿里这一轮密集的多模态更新，真正值得关注的，也就不只是又多了几个模型。
一张更大的拼图已经铺开。
接下来要比的，是谁能把这些能力真正拧到一起，让AI从会生成，走向会把事情做完。