阿里巴巴发布多模态模型家族 涵盖图像音乐及长视频创作引擎

在云栖大会现场，导演陆川展示了利用阿里巴巴多模态模型制作的历史短片，过去需要数月且耗资千万的明代历史场景复原，在 AI 协助下仅用 5 天便告完成，展现出多模态技术进入专业内容生产工作流的实际效能。

当前多模态技术正经历从单模态向融合生成、从离线内容向实时流式体验的演进。为此，阿里巴巴集中更新了多模态模型矩阵，推出图像生成模型 Qwen-Image-3.1、音乐模型 Happy Shrimp 1.1 与面向长视频的 Agentic PE 智能体创作引擎，并计划于 11 月推出新一代视频生成模型，未来三年还将推进原生全模态统一模型的研发。

在图像生产维度，工业级场景正从单纯追求画质转向确定性与高可控性。面向科研制图、电商营销及影视分镜等专业诉求，Qwen-Image-3.1 强化了对专业知识结构与排版层级的理解能力，降低随机抽卡带来的不确定性。

例如在科研制图领域，模型能够先理解复杂的科学原理，再准确呈现微观结构与逻辑流程，避免解剖结构与学术标注出现失真；在电商营销场景中，模型能够协同组织中文标题、小字细节与图示，排布出清晰的视觉层级。

在影视前期筹备环节，模型可以依据文字剧情描述，批量生成包含动作、对白与镜头语言的分镜脚本，为后续长镜头和视频资产构建提供明确的视觉基准。

此外，Qwen-Image-3.1 引入了像素锚定、结构勾勒、版面构建、角色塑造与世界营造等五维编辑能力，通过多层次推理支持创作者提取结构并重新生成视觉内容。

在音频与视频领域，Happy Shrimp 1.1 通过引入音乐审美建模与强化学习，强化旋律记忆点与人声唱法表现，支持百余种曲风及局部音轨编辑；阿里巴巴下一代视频模型则聚焦更长、更可控、更完整与更智能四个维度，探索通过运动轨迹、3D 白模等多元控制信号，推动 AI 从生成素材走向全流程叙事创作。