在深圳南山区举办的阿里云通义智能硬件展上，一款集成了多模态交互能力的开发套件正式亮相。该套件融合了千问、万相、百聆三大通义基础大模型，并预置了覆盖生活休闲与工作效率领域的十余款智能工具，支持语音交互、视觉识别、逻辑推理及物理世界互动，可广泛应用于AI眼镜、学习设备、陪伴机器人等智能硬件场景。
据现场介绍，这款开发套件通过降低技术门槛、提升响应速度和拓展应用场景，为硬件厂商提供了完整的解决方案。例如在AI眼镜领域，基于千问VL视觉语言模型与百聆CosyVoice语音技术，阿里云构建了从感知到执行的完整交互链路，实现了同声传译、拍照翻译、多模态备忘录等实用功能，有效解决了传统设备交互生硬、信息处理效率低的问题。用户佩戴设备后，可通过语音指令完成复杂操作，系统还能自动记录关键信息并生成结构化备忘。
针对家庭陪伴场景，阿里云展示了基于多模态套件的机器人解决方案。该系统通过实时环境感知与异常行为监测，可主动推送安全预警信息；用户不仅能通过自然语言与设备对话，还能通过关键词检索历史视频片段，实现精准的内容回溯。现场演示中，机器人根据用户指令快速定位到特定时间段的监控画面，并同步调取相关环境数据，展现了多模态交互在复杂场景中的协同能力。
展览现场还设置了互动体验区，观众可近距离观察机器人制作咖啡的全过程。从识别指令、规划动作到精准操作设备，机器人通过多模态交互系统展现了类人化的服务能力。技术人员介绍，这类具身智能设备未来可扩展至医疗护理、教育辅导等领域，通过持续学习用户习惯优化服务模式。
