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

< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400"> 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 田, 晏林 2026-09-22 23:59:35 来源： 量子位 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