AIPress.com.cn报道
1月8日讯，阿里云发布多模态交互开发套件，为AI硬件厂商提供一站式接入大模型的能力。
这套工具集成了通义旗下三款基础大模型：千问负责语言理解和推理，万相负责图像生成，百聆负责语音交互。套件预置了十多款覆盖生活、工作、娱乐、教育场景的Agent和MCP工具，可以直接调用路线规划、旅行攻略、录音转写等能力。
阿里云想解决的问题是：硬件厂商想接大模型，但单靠基础模型很难同时满足低成本、低时延、功能丰富的需求。这套开发套件的定位就是降低门槛，让硬件设备能快速具备听、看、思考和与物理世界交互的能力。
芯片适配和时延优化
在芯片层面，套件适配了30多款主流ARM、RISC-V和MIPS架构的终端芯片，覆盖市面上大多数硬件设备。阿里云还透露，通义大模型未来将与玄铁RISC-V实现软硬协同优化，提升在RISC-V架构上的推理性能。
时延是硬件交互的关键指标。阿里云针对多模态交互场景推出了专有模型，端到端语音交互时延压到1秒，视频交互时延1.5秒，支持全双工语音、视频、图文等交互方式。
接入百炼平台生态
套件接入了阿里云百炼平台，开发者可以添加其他人提供的MCP和Agent模板，也可以通过A2A协议兼容第三方Agent，扩展应用能力。
落地场景展示
发布会现场展示了几个解决方案。
AI眼镜方向，基于千问VL和百聆CosyVoice模型，阿里云搭建了感知、规划、执行和长期记忆的完整交互链路，支持同声传译、拍照翻译、多模态备忘录、录音转写等功能。
家庭陪伴机器人方向，解决方案可以实时监测异常状况并推送告警，用户可以通过关键词查找定位视频，与机器人对话交互和控制设备。
此外还有学习机、陪伴玩具、具身智能等领域的应用场景。
