1月8日，在阿里云通义智能硬件展上，阿里云发布多模态交互开发套件，该套件集成了千问、万相、百聆三款通义基础大模型，并预置十多款生活休闲、工作效率等领域的Agent和MCP工具，可应用于AI眼镜、学习机、陪伴玩具、智能机器人等硬件设备。

随着多模态大模型的发展，大模型已开始具备理解、感知以及和物理世界交互的能力，越来越多的硬件和终端设备厂商开始通过接入大模型来提升交互体验。然而，仅靠基础大模型仍无法同时满足硬件设备对低成本、低时延、功能丰富和高质量效果的需求。 

据介绍，阿里云多模态交互开发套件为硬件企业和解决方案商提供了低开发门槛、响应速度快、场景丰富的平台。

在芯片层面，该套件适配了30多款主流ARM、RISC-V和MIPS架构终端芯片平台，满足市面上绝大多数硬件设备的快速接入需求。在模型优化层面，除通义模型家族外，阿里云还针对大量多模态交互场景进行分析，推出适合AI硬件交互的专有模型，全面支持视频、图文等交互方式，端到端语音交互时延低至1秒，视频交互时延低至1.5秒。

此外，该套件预置十多款MCP工具和Agent，覆盖生活、工作、娱乐、教育等多个场景，例如，基于预置的出行规划Agent，用户可直接调用路线规划、旅行攻略、吃喝玩乐探索等能力。

当天，阿里云还展示了面向智能穿戴设备、陪伴机器人、具身智能等领域的解决方案。例如，在AI眼镜领域，基于千问VL、百聆CosyVoice等模型，阿里云打造了感知层、规划层、执行层以及长期记忆的完整交互链路，可一站式实现同声传译、拍照翻译、多模态备忘录、录音转写功能，有效解决交互不自然、回答准确率低的难题。面向家庭陪伴机器人场景，基于千问模型和多模态交互套件，阿里云推出的解决方案不仅可实时监测异常状况，并及时推送告警信息，用户还能基于关键词查找、定位视频，与机器人进行对话交互和控制设备等。