阿里新一代端到端多模态旗舰模型采用全新的Thinker-Talker架构，支持完全实时的音视频交互，语音生成的自然和流畅方面超越许多现有方案；基准测试时，音频能力上优于类似大小的Qwen2-Audio，并与Qwen2.5-VL-7B保持同等水平，端到端语音指令跟随的效果可媲美文本输入处理。