在深圳南山區舉辦的阿里云通義智能硬件展上，一款集成了多模態交互能力的開發套件正式亮相。該套件融合了千問、萬相、百聆三大通義基礎大模型，并預置了覆蓋生活休閑與工作效率領域的十余款智能工具，支持語音交互、視覺識別、邏輯推理及物理世界互動，可廣泛應用于AI眼鏡、學習設備、陪伴機器人等智能硬件場景。
據現場介紹，這款開發套件通過降低技術門檻、提升響應速度和拓展應用場景，為硬件廠商提供了完整的解決方案。例如在AI眼鏡領域，基于千問VL視覺語言模型與百聆CosyVoice語音技術，阿里云構建了從感知到執行的完整交互鏈路，實現了同聲傳譯、拍照翻譯、多模態備忘錄等實用功能，有效解決了傳統設備交互生硬、信息處理效率低的問題。用戶佩戴設備后，可通過語音指令完成復雜操作，系統還能自動記錄關鍵信息并生成結構化備忘。
針對家庭陪伴場景，阿里云展示了基于多模態套件的機器人解決方案。該系統通過實時環境感知與異常行為監測，可主動推送安全預警信息；用戶不僅能通過自然語言與設備對話，還能通過關鍵詞檢索歷史視頻片段，實現精準的內容回溯。現場演示中，機器人根據用戶指令快速定位到特定時間段的監控畫面，并同步調取相關環境數據，展現了多模態交互在復雜場景中的協同能力。
展覽現場還設置了互動體驗區，觀眾可近距離觀察機器人制作咖啡的全過程。從識別指令、規劃動作到精準操作設備，機器人通過多模態交互系統展現了類人化的服務能力。技術人員介紹，這類具身智能設備未來可擴展至醫療護理、教育輔導等領域，通過持續學習用戶習慣優化服務模式。
