阿里发布 Prompt Relay：免训练即插即用，让 AI 视频无缝切换多场景
阿里巴巴公布视频生成技术 Prompt Relay。这是一种免训练的即插即用方案，通过在交叉注意力层动态路由各时间段的提示词，让老鹰飞翔到赛博城市等跨度巨大的场景能自然过渡，避免画面概念互相串扰。目前官方已发布实施说明，代码文件尚未完全放出。
阿里巴巴
查看更新的新闻
阿里推出 Wan2.7-Image：单次生成 12 张一致图片，支持 12 种语言文字渲染
阿里巴巴推出图像生成与编辑统一模型 Wan2.7-Image。该模型支持精确控制人脸轮廓与 HEX 调色盘，可实现 12 种语言的印刷级文字渲染，并能在单次生成中输出最多 12 张风格一致的图像。这意味着创作者能直接用它完成复杂的多语言图文排版和连贯分镜制作。
阿里发布 Wan 2.7 Image：生成编辑一体，能输色号还能画图表
阿里发布生成与编辑一体的图像模型 Wan 2.7 Image。它主打更具真实瑕疵的人脸微调，支持直接输入最多 8 个十六进制色号锁定配色，并能渲染 3000 tokens 的多语言长文本与表格。单次提示还可生成最多 12 张风格一致的图像，分镜和设计物料制作效率大增。
阿里开源 PrismAudio：输入无声视频配音效，5 亿参数 0.63 秒搞定
阿里开源音效生成模型 PrismAudio。它将强化学习与思维链结合，先分析画面再生成声画同步的音效。模型参数仅 5.18 亿，生成 9 秒音频只需 0.63 秒，在多项基准测试和生成速度上均优于 MM-Audio 等数十亿参数竞品。
阿里开源 Fun-CineForge：让 AI 配音对齐唇形与多角色
阿里开源影视配音模型 Fun-CineForge。输入视频与文本，模型通过引入「时间模态」识别角色并对准唇形，即便面部被遮挡也能卡准节奏发声。最值得关注的是它支持多角色自然切换，让自动配音真正做到了音画对齐。
阿里开源个人助理 CoPaw：自带网页 UI，打通钉钉飞书且支持本地运行
阿里开源个人助理 CoPaw。它自带网页 UI 界面，原生支持 Ollama、llama.cpp 和 MLX 在本地运行，能直连钉钉、飞书与 QQ 等工具。最值得关注的是它支持 MCP 热插拔与技能导入，无需写代码就能配置定时任务和信息推送。
阿里巴巴发布 Mobile-Agent-v3.5：打通手机桌面与浏览器，20 多个基准拿第一
阿里巴巴发布跨平台 GUI 智能体 Mobile-Agent-v3.5，核心由基于 Qwen3-VL 的 GUI-Owl-1.5 系列驱动，参数覆盖 2B 到 235B。它将手机、电脑与浏览器的感知、规划和行动统一，并在 20 多个基准上拿到 SOTA。模型权重已开源，并在百炼和魔搭提供体验。
阿里开源 DeepGen 1.0：5B 轻量模型兼顾图像生成与编辑，还能解迷宫
阿里巴巴开源图像生成与编辑模型 DeepGen 1.0。它采用 5B 参数架构，不仅能渲染文字与多风格生图，还支持换视角、预测画面甚至解迷宫等推理任务。最值得关注的是，其编辑能力在评测中叫板更大体量的模型，不过完整权重达 72GB，本地部署门槛较高。
阿里开源 Z-Image 满血基座：主打高多样性与微调，ComfyUI 首日支持
阿里通义团队开源图像生成基座模型 Z-Image。它是此前 Turbo 版本的未蒸馏满血底模，解决了一换种子构图不变、多人同脸的问题，原生支持负向提示词和 LoRA 微调。出图步数增至 50 步，目前已支持在 ComfyUI 中直接运行。
阿里发布开源语音模型 Qwen3-TTS：延迟 97 毫秒，几秒音频即可克隆音色
阿里推出开源文本转语音模型 Qwen3-TTS，提供 1.7B 和 0.6B 两种尺寸，仅需数秒音频即可克隆音色，还支持用提示词直接定制新声线。模型采用双轨架构，端到端延迟低至 97 毫秒，克隆中文后可直接说多国语言与方言，便于实时交互与有声书制作。
开源模型 CoDance：打破空间绑定，让画面中任意多角色同框起舞
研究团队开源多主体动画模型 CoDance，解决了角色与驱动姿态错位就无法动起来的难题。它先解绑动作与空间位置，再通过文本和遮罩把动作精准指派给目标角色，无论画面里有几个人、什么画风都能生成协调动画。目前代码与权重已全部开源。
阿里提出 Thinking with Map：让 AI 查地图定位，500米准确率达 22.1%
阿里巴巴团队提出图像地理定位框架 Thinking with Map，让多模态模型像人类一样查地图推断拍摄地。结合强化学习与并行搜索，模型 500 米内定位准确率达 22.1%，是配备地图搜索的 Gemini-3-Pro 的 2.8 倍。
Qwen Code 升级 v0.3.0：支持 Stream JSON 流式传输，全面适配中文
阿里 Qwen 团队公布 Qwen Code v0.2.2 至 v0.3.0 更新。新版本加入 Stream JSON 流式输入输出，方便直接塞进自动化脚本与 CI/CD 流程；同时支持一键切换中文界面与中文输出，并设定 20MB 内存上限以防爆内存。
通义千问推出 Qwen-Image-Edit：支持中英文精准改字与 180 度翻转
Qwen 推出图像编辑模型 Qwen-Image-Edit。该模型基于 20B 底座打造，不仅能精准增删改图片中的中英文字并保留原字体风格，还支持物体 180 度旋转视角合成与局部像素级修图。目前已在 Qwen Chat 上线体验。
阿里开源 20B 图像模型 Qwen-Image：搞定复杂中英文排版
阿里推出 20B 图像基础模型 Qwen-Image。模型基于 MMDiT 架构，主打原生中英文文字渲染与精准图像编辑，能直接在画面中稳定排布多行段落甚至对联。文生图一直头疼的中文字符拼写与海报排版难题，迎来了开源方案。
Qwen 正式上线 QwQ-32B：320 亿参数推理模型，对标 DeepSeek-R1
Qwen 正式发布 320 亿参数的新推理模型 QwQ-32B。该模型基于 Qwen2.5-32B 研发，通过强化学习扩展显著提升了数学与编程能力。最值得关注的是，阿里团队证实了持续扩展强化学习能让中等尺寸模型直接抗衡庞大的 MoE 架构。
Animate Anyone 2 发布：不仅让静态人物动起来，还能和环境真实互动
研究团队推出角色动画模型 Animate Anyone 2，主打环境交互能力。新模型通过引入环境表征作为条件输入，并加入物体引导器和空间融合技术，让生成的角色不再像浮在背景上，而是能真正与周围物体自然交互，动作适应度大幅提升。
阿里巴巴任命 AI 专家 Steven Hoi：掌舵面向消费者的 AI 团队
知名 AI 科学家 Steven Hoi 宣布加入阿里巴巴，负责领导面向消费者（AI-to-Consumer）的 AI 业务。他表示未来十年消费级基础模型和智能体应用充满机会。阿里这次招揽大将，显然是要在直接面向普通用户的 AI 场景上加快下注。
阿里发布视觉模型 Qwen2-VL：开源 2B/7B，支持 20 分钟长视频
阿里 Qwen 团队发布视觉语言模型 Qwen2-VL，开源 2B 与 7B 权重并上线 72B API。新模型支持动态分辨率、20 分钟以上长视频理解与手机操控智能体，72B 评测表现对标 GPT-4o。
阿里发布肖像视频框架 EMO：一张图一段音频，就能让人物自然开唱
阿里研究团队公布音频驱动肖像视频框架 EMO。输入一张单人照片和一段语音或歌声，就能生成神态丰富、口型同步且时长不限的动态视频。它能敏锐捕捉语调起伏与快节奏歌词，也能让油画与 3D 角色开口说话。