阿里3天3王炸！全模态、精准控图和智能体编程SOTA，但没开源

阿里3天接连发布了3款重磅模型。

Qwen3.5-Omni，215项 SOTA + 自然涌现 Vibe Coding 的原生全模态，

Wan2.7-Image，人更真，字更稳，色更准的图像生成、编辑模型，

以及走向现实世界智能体的超强 Qwen3.6-Plus，

三款模型分别在全模态理解、图像精准生成与智能体编程三个维度提供了完善的解决方案。

Qwen3.5-Omni 全模态原生交互

Qwen3.5-Omni 实现了底层架构的全面升级。

该模型能无缝理解文本、图片、音频以及音视频输入，支持生成带有时间戳的精细化音视频字幕。

开发团队发现了一项未经专门训练自然涌现的能力，被称作视听氛围编码（Audio-Visual Vibe Coding）。

只要把画面逻辑展示给系统，用语音提出要求，系统就能直接生成 Python 代码或是前端原型，创意验证过程变得极为简捷。

模型内部延续了思考者与表达者的分工机制。

负责理解的思考者接收视觉与音频信号，通过特定技术编码位置信息。

在处理长达10小时音频或1小时视频时，依然能够快速提取核心重点。负责表达的表达者接收多模态输出，进行上下文语音生成，动态对齐文本和语音单元。

用户要求声音大一点或者语气开心一点，系统当场就会调整，也解决了偶尔漏字和数字念不清的问题。

两套机制均升级为混合专家模型（MoE），听音频、看视频、理解文本的专家各司其职，互不干扰，保障了文本和视觉能力与单模态模型一样强悍。

下文窗口长达256K，支持113种语言识别。同时新增了语义打断、音色克隆、语音控制等实时交互功能，原生支持网页搜索和复杂函数调用，不仅能顺畅聊天，更能切实处理复杂任务。

在音频及音视频分析、推理、对话和翻译等任务上，该模型共取得215项业界最佳水平（SOTA）成绩。

通用音频理解、推理、识别、翻译、对话全面超越 Gemini-3.1 Pro，音视频理解能力总体达到 Gemini-3.1 Pro 水平。

文本能力与同尺寸 Qwen3.5 模型持平。

Wan2.7-Image 告别标准流水线

Wan2.7-Image 把图像生成的精细度推向了新的阶段。

千篇一律的人工智能标准脸已成历史，每个人都能根据具体需求定制专属面孔。

在多图参考模式下，系统最高支持输入9张参考图，确保角色特征在复杂场景中保持一致。

一次最高可以生成12张风格统一的分镜图。

在细节把控层面，系统实现了颜色的精准控制。

支持指哪改哪的局部精准编辑。

即便需要在画面中生成长达4000个字符的内容，排版和字迹依然稳定清晰。下图是道德经前40章生成字画（部分截图）。

全透明通道智能图层分离功能的加入，让后续的图像深度处理变得更加轻松顺畅。

Qwen3.6-Plus 智能编程新高度

Qwen3.6-Plus 将编码智能体（Coding Agent）的性能提升到了新的层级。

在前端页面生成、代码修复和终端自动化等开发场景的基准测试中，系统均属开源SOTA。

作为国内同尺寸模型中首个实现智能体编程能力全面领先的版本，代码任务端到端成功率有了明显提升，代码生成与工具调用也更加可靠。

该模型默认提供高达100万的上下文窗口。

多模态感知与视觉理解能力性能更强。

从自然语音直接生成代码，到定制化图像的精准输出，再到处理百万级上下文的专业编程助手，阿里正在不动声色地重塑我们的工作方式。

虽然都没开源，阿里表示将开源更小规模模型版本。

参考资料：

https://qwen.ai/blog?id=qwen3.5-omni

https://www.alibabacloud.com/en/press-room/alibaba-unveils-wan2-7-redefining-personalized-and?_p_lc=1

https://qwen.ai/blog?id=qwen3.6