蓝鲸观察

9月22日，2026云栖大会在杭州举行。围绕机器智能时代的到来，阿里巴巴集中发布并展示其在AI模型、AI芯片、AI云和企业级Agent应用等方面的最新进展。

阿里巴巴集团首席执行官吴泳铭在主旨演讲中表示，机器正在成为思考的主力，智能将成为可规模化供给的商品。他判断，未来机器产生的思考总量可能达到人类的1000倍以上，目前这一比例还不到人类思考总量的3%。

千问办公通过结构化整理和动态更新企业信息，为不同任务提供与业务相关的上下文。借助这些信息，Agent可以在明确的职责和权限范围内承担具体工作，逐步成为理解岗位职责、权限边界和业务目标的数字员工。

企业信息也大量产生于会议、客户拜访、面试、访谈和现场沟通，过去往往难以被完整记录并直接提供给Agent使用。

为补充这部分外部上下文，千问办公发布AI Agent硬件QwenNote，并推出首款产品QwenNote A2。该设备可转写和整理会议及线下沟通内容，并将其沉淀为千问办公能够调用的信息，供Agent进一步理解、处理并推进后续任务。

用户可以通过语音向QwenNote A2交代任务，也可以在听记结束后唤起千问办公。根据现场介绍，面试结束后，用户可要求Agent分析候选人的优缺点、评估岗位匹配度并将结果同步给HR；律师完成当事人会谈后，也可让Agent整理案情备忘、生成证据清单，并通过钉钉创建待办和预约会议。

大会公开资料显示，QwenNote A2重67克，配备6个麦克风，最远拾音距离为8米，连续转写时长为40小时，并可通过内置4G独立使用。

从企业上下文到QwenNote，千问办公一端连接企业已有的文档、系统和组织知识，另一端获取会议、拜访和现场沟通中的信息，再由Agent完成理解、整理和执行。

Wan 3.0推动视频生成向长时复杂多模态演进

在多模态生成领域，Wan 3.0是现场技术论坛的重点内容之一。论坛资料显示，视频生成正在从5秒左右的单镜头、单一动作或商品展示，向长时、多镜头和复杂叙事演进。

Wan 3.0采用原生多模态架构，可理解文本、图片、视频和音频等输入。阿里云官方技术文档显示，该模型可生成最长30秒的视频，支持多镜头、智能时长、参考音频等功能，输出分辨率覆盖480P、720P和1080P，也可读取参考文件和公开网页内容。

长时视频对人物、服装、场景、镜头运动和视觉风格的一致性提出了更高要求。现场演示展示了Wan 3.0在复杂运镜、跨镜头人物一致性、状态延续和风格稳定性方面的进展。论坛资料还显示，模型通过人类反馈强化学习进行偏好对齐，并围绕画面质量、运动表现、音频效果和镜头一致性等维度进行优化。

相关能力可应用于专业影视、互动短剧、广告、电商视频、游戏创作、音乐MV和创意设计等场景。现场展示的专业影视方向重点呈现工业质感、完整叙事和成片稳定性，并探索AI在脚本理解、镜头设计、角色保持、素材生产和连续叙事中的应用。

图片生成方面，现场论坛还介绍了Qwen-Image-2.1的更新方向，包括原生透明图像生成与编辑、多图和多层编辑等能力。图片、视频和音频能力的协同，可进一步支持广告设计、品牌内容、电商素材和互动内容生产。

芒测AI 3.0互动平台参展，探索心理测试与短视频融合

据项目方介绍，二期3层展区展示了基于阿里千问技术集成的视频生成平台芒测AI 3.0。

该平台定位为心理测试短视频Agent，尝试把心理测试中的情境设置、互动选择、内容生成和结果反馈转化为短视频体验。平台通过人物、情节和关键选择，将静态文字题目重组为互动内容，并根据用户的不同选择生成相应剧情或反馈。