1. 首頁 > 生活百科 > >

ATH變陣兩周，阿里AI體系化開啟“日更”節奏

人工智能生圖編程ai阿里巴巴

ATH變陣兩周，阿里AI體系化開啟“日更”節奏

文章圖片

ATH變陣兩周，阿里AI體系化開啟“日更”節奏

文章圖片


半個月前 ， 阿里巴巴成立Alibaba Token Hub（ATH）事業群 ， 外界的關注還停留在組織調整、人員變動、戰略磨合這類問題上 。 沒人會想到 ， 這個新生的事業群已在本周以“日更”的方式三連發新模型 。
3月30日 ， 阿里發布千問新一代全模態大模型Qwen3.5-Omni ， 新模型在音視頻理解、識別、交互等215項任務中取得SOTA表現 。 兩天之后 ， 又發布了圖像生成與編輯統一模型Wan2.7-Image ， 此次更新重點解決生圖“AI味”與“色彩盲盒”問題 。
4月2日 ， 阿里千問發布了新一代大語言模型Qwen3.6-Plus ， 相較上一代模型 ， 千問3.6全面提升了編程Coding能力、智能體Agent能力 ， 以及工具調用能力 。



新模型有量也有質 。
4月3日 ， 全球知名大模型盲測榜單LMArena旗下聚焦AI編程能力的Code Arena公布新一期排名 ， Qwen3.6-Plus在全球榜單中排名第二 ， 超越OpenAI、Google、xAI等國際巨頭 ， 成為該榜單上排名最高的中國大模型 。
一周時間 ， 阿里連續在全模態、生圖、Agent編程三個當下最熱的能力區間密集發力 ， 折射出阿里AI組織的真實狀態 。 外界擔心的失速沒有出現 ， 相反 ， ATH完成阿里AI業務的快速整合后 ， 把過去幾年積累起的模型能力、人才梯隊和產品線協同起來 ， 以更密集的節奏完成迭代 。
“日更”背后的體系厚度過去三年 ， AI領域盛極一時的明星產品層出不窮 ， 太多案例表明 ， 隨著行業步入深水區 ， 如果沒有體系厚度 ， 哪怕再好的產品也難以持續領跑 。
最近的案例當屬Sora 。 OpenAI已確認 ， Sora的Web和App體驗將于2026年4月26日停止 ， 相關API也將在9月24日停用 。
這款文生視頻模型兩位核心創始人Tim Brooks與Bill Peebles于今年初相繼離職 ， 導致團隊士氣低迷 ， 研發節奏中斷 。 此外 ， 算力消耗高企、產品熱度回落與公司戰略重心轉移向下一代模型 ， 同樣是Sora難以為繼的因素 。
曾被寄予厚望的明星模型步入終結 ， 背后折射出的卻是研發體系韌性的不足 。 過度依賴單點突破、個別團隊、甚至關鍵人物 ， 一旦節奏中斷、方向調整 ， 將會打斷持續迭代的節奏 。
真正有厚度、有耐力的AI研發體系從來不是只靠一個爆款模型撐場面 ， 而是能在不同技術方向上多點布局、并持續深入 ， 在長周期里保持穩定 。 ATH此番“三連發” ， 折射出阿里AI已經走到了不靠偶然運氣與單點沖刺 ， 而是底層研發體系成熟后的自然結果 。
具體來看 ， 本輪密集發布的模型中 ， 阿里在三條最關鍵的技術賽道完成卡位 。
Qwen3.5-Omni能夠對音視頻內容生成詳細、可控的結構化描述 ， 可識別語言數量多達113種 。 基于原生的多模態理解能力 ， 這款新模型具備了音視頻驅動的Vibe Coding能力 ， 用戶對著視頻提出需求 ， 模型便能理解其中的信息 ， 進一步自主生成應用、網頁、游戲等復雜產品代碼 。
圖像生成與編輯統一模型Wan2.7-Image抬高了AI生圖的標準 。 該模型不再停留于生圖環節 ， 還具備圖像指令編輯和交互式編輯等全鏈路能力 ， 自此告別千篇一律的“AI”臉 。



Wan2.7-Image強化了虛擬形象捏臉功能 ， 支持從骨相、眼眸到五官細微處的全方位定制 ， 實現“千人千面” 。 針對生圖領域的“色彩盲盒”問題 ， Wan2.7-Image提供“調色盤”功能 ， 用戶通過Hex Code ， 可以一鍵提取或輸入參考圖的各種顏色占比 ， 自定義配色方案 。
新一代大語言模型Qwen3.6-Plus（千問3.6）除了整體能力提升之外 ， 最核心的突破是讓代理式編程（Agentic Coding）變得可能 。 官方披露 ， 千問3.6在多項權威編程與智能體評測中 ， 都拿出了頗具競爭力的成績 。 模型還支持百萬Tokens的上下文窗口 ， 并針對OpenClaw、Qwen Code、Cline等Agent框架進行了優化 。
它能自主拆解任務、執行終端操作、完成長程代碼工程 ， 真正實現可落地的代理式開發 。 結合百萬上下文與多模態理解 ， 千問3.6可直接依據設計稿、界面截圖生成并修改代碼 ， 讓“氛圍編程”從概念走向實用 。
這一突破不僅提升開發效率 ， 更把AI變成可直接調用的新型生產資料 ， 大幅降低編程門檻 ， 即便普通人也能用自然語言完成復雜開發任務 ， 為企業智能化與AI原生應用落地筑牢底層能力 。
三款模型各有主攻、互不偏科 ， 分別落在全模態、文生圖、編程Agent三條關鍵技術線上 ， 且均達到領先的性能水平 。 這說明阿里AI的根基沒有因為人員流動與組織調整而動搖 ， 通義實驗室并非單點強勢 ， 而是呈現多點布局、全面開花的情況 。
模型迭代的效率與穩定性 ， 來自長期沉淀的機制、平臺、數據與流程 。 它可以穩定產出、持續迭代 ， 甚至在組織整合后更快發力 。 三連發表明ATH整合之后 ， 阿里AI以一個真正具備長期主義能力的純血AI玩家的身份 ， 站穩在全球競爭的主航道中 。
跨越“實驗室鴻溝”模型迭代的三連發后 ， 阿里內部的反應速度同樣值得關注 。
在三款新模型發布的窗口期 ， 悟空、千問App等阿里AI應用和平臺幾乎壓著哨聲完成了接入 。 這種節奏上的合拍 ， 業內鮮見 。
過去兩年多 ， 研發側熱衷于卷榜單、刷參數、精進SOTA ， 產品側則在消費市場或企業市場各自尋找應用切口 。 模型和產品像兩條并行線 ， 彼此都在向前跑 ， 卻很難真正咬合到一起 。
無需枚舉 ， 自2023年大模型全面爆發以來 ， 市場上從來不缺“發布即王炸”的明星模型 。 很多“前輩”模型在發布后豪取了一段時間的聲量 ， 過不了多久便淡出公眾視野 。 原因便在于這些頂尖的技術成果沒能快速接入產品中 ， 轉化為用戶可感知的體驗 。
產品化的窗口期內 ， 模型與產品實際上是“兩張皮” 。 這種現象是行業中長期存在共性困境 ， 導致創新成果在轉化過程中遭受高額損耗 。
ATH成立后的核心價值正在于此 ， 它讓阿里的AI產品線開始從發散走向收斂 ， 模型能力可以在迭代后的第一時間快速進入業務場景中 。
我們了解到 ， Qwen3.6-Plus發布后 ， 將很快接入悟空、千問App等阿里AI應用和平臺；Wan2.7-Image除了在阿里云百煉、萬相官網開放體驗 ， 也已明確將接入千問App；Qwen3.5-Omni則同步提供Plus、Flash、Light三種API形態 ， 直接面向開發者和企業開放調用 。
模型團隊把能力往前推了一步 ， 產品線同步跟進 ， 把這些能力迅速翻譯成用戶可以接觸到的體驗與功能 。 對阿里來說 ， 這種節奏感本身就是一種信號：模型、產品與平臺之間的鏈路正在縮短 。
以悟空平臺為例 ， 接入Qwen3.6-Plus后 ， 其背后的龍蝦軍團便具備了匹配Claude 4.5的智能體編程能力 。 這意味著智能體能夠自主拆解業務需求 ， 在終端環境中完成代碼編寫與修復 。



從模型發布到應用落地的無縫銜接 ， 證明了ATH并非簡單的組織整合 。 它建立了一套從AI實驗室到業務前臺的價值傳導機制：底層能力的每一次突破 ， 都會借由這套機制 ， 更快變成產品、平臺和開發接口的共同底層 。
AI時代下 ， 組織效率成為將AI從昂貴的實驗性技術 ， 快速轉化為高效率、高確定性的通用生產力的關鍵要素 。 關乎企業能否在快速迭代的基模競爭中 ， 最大限度把握迭代的價值窗口 。
近乎“零時差”接入平臺不同產品線的模型 ， 便是ATH組織效率的一個切面 。 “模型即產品” ， 這個業內反復被提起的口號 ， 在阿里變成了更具體的現實 。
全棧協同的生態復利通過觀察阿里這一輪從模型到業務的迭代 ， 我們可以看到 ， ATH成立后 ， 阿里AI的戰略版圖愈發清晰 。
在模型即產品的邏輯之上 ， 阿里更深層的意圖在于構建一種全棧協同的生態復利 。 如果將模型視作一個獨立的單體 ， 其天花板終究有限 。 而真正的AI勢能 ， 在于將模型能力降維、打碎 ， 并重新注入到所有的業務場景中 ， 使其成為像水電煤一樣的基礎設施 。
放眼全球 ， 將Gemini穿透Workspace各項原子化能力與平臺搜索業務的谷歌 ， 便是生態復利的典型樣本 。
回看阿里 ， 三連發的全新模型同樣貫穿阿里業已鋪開的業務線 。 尤其是作為阿里當前面向用戶側攻城略地的核心入口的千問 ， 底層模型每往前推一步 ， 千問及悟空等AI應用及平臺層的能力就會隨之往前推一步 。
以全模態大模型Qwen3.5-Omni為例 ， 它在音視頻理解與實時交互等215項任務中取得了性能最佳的表現 ， 在核心指標上已經可以與谷歌的Gemini 3.1 Pro一較高下 。



底層能力的迭代同步擴張了千問App的半徑 。 繼年初的餐食外賣、商超便利后 ， 千問能辦的事越來越多 ， 涉及更復雜的線下供給與交互場景 。
如日前千問上線的打車功能 ， 便需要完全理解用戶通過自然語言表達的用車需求 ， 并在一次服務中調用、理解基于LBS的路線地圖、車型推薦、系統預估的價格與到達時間等完整的高德服務 。
千問承接的是用戶側需求 ， 悟空承接的是企業與組織側需求 ， Qoder更貼近開發者和編程場景 。 面向三類不同用戶 ， 背后都是同一套不斷進化的底層能力 。
在這種統一底座對不同場景的穿透力之上 ， 阿里還進一步把優勢推進到了成本側 。
據了解 ， Qwen3.5-Omni在保持較強全模態能力的同時 ， API輸入價格每百萬Tokens不到0.8元 ， 約為Gemini 3.1 Pro的十分之一 。
在算力普遍漲價 ， AI云服務緊俏的當下 ， Qwen3.5-Omni難能可貴的性價比直接將技術紅利轉化為市場競爭力 ， 將阿里的競爭優勢從“資源層”推向了“模型智能層” 。
當模型迭代顯著優化了產品體驗 ， 體驗的躍升會刺激更大規模的調用需求 ， 而調用規模的持續放大 ， 則反過來攤薄了研發與算力成本 ， 并進一步放大阿里云作為AI基礎設施的底座價值 。
而對于擁有完整AI技術棧的阿里而言 ， 三連發模型只是一個開始 。 把這些原本可能彼此并行、彼此分散的環節重新組織起來 ， 讓它們相互牽引 ， 才是ATH的價值所在 。
【ATH變陣兩周，阿里AI體系化開啟“日更”節奏】在“以智能帶動算力”的飛輪帶動下 ， 阿里正在全球AI產業化的坐標系中 ， 劃出一條屬于自己的確定性曲線 。

    推薦閱讀