Wir haben Qwens chinesische Folien entschlüsselt: Ein Blick in Alibabas Agent Smart Glasses

Alibabas Qwen stellte seine nächste Generation von Display-Smart-Glasses auf der World Artificial Intelligence Conference in Shanghai vor, die am 17. Juli 2026 eröffnet wurde. Die Tonlage ist nicht länger "AI-Brillen", sondern Agent-Brillen: ein Gerät, das bei Bedarf Drittanbieter-Skills und -Agents aufruft, angetrieben von Qwen, Alibabas Flaggschiff-Multimodal-Modell. Die Hardware-Spezifikationen sind aggressiv - Vollduplex-Audio, hochpräzises Eye Tracking, ein ständig aktiver Kameramodus, der mit 5 Milliwatt läuft, ein 3DoF-Raumdisplay sowie PPG- und Temperatursensoren für kontinuierliche Vitalwerte.

Hier ist der Teil, den niemand gemacht hat. Die technischen Folien, die Qwen zeigte, sind vollständig auf Chinesisch, vollgepackt mit Blockdiagrammen, Modusbezeichnungen und UI-Mockup-Blasen, und die englische Berichterstattung hat bisher nur die Pressezusammenfassung wiederholt. Wir haben Bilderkennung auf jede Folie angewendet und die Beschriftungen einzeln transkribiert. Was dabei herauskommt, ist weitaus spezifischer als die Ankündigung: Sie können die Weckhierarchie, die Audio-Pipeline, das Datenschutz-Gate und sogar die gefälschten Benachrichtigungen lesen, die Qwen gewählt hat, um sie im Objektiv anzuzeigen.

Was es bedeutet: Ein Eye-Tracking-Modul unter 1,7 Kubikmillimetern mit einem Verbrauch von weniger als 100mW ist die Art von Zahl, die entscheidet, ob eine Funktion in einer Brille verbaut wird oder in einem Headset verbleibt. Metas Ray-Ban Display hat überhaupt kein Eye Tracking, genau deshalb braucht es das Neural Band am Handgelenk, um einen Cursor zu bewegen. Mentra, das Open-Source-Lager, liefert ebenfalls keinen Blickrichtungssensor und verlässt sich auf Sprache plus Telefon-Touch. Google und Samsung haben die schwierigere Version dieses Problems: Android XR geht bereits von Blickrichtung plus Handeingabe bei Project Moohan aus, einem Headset mit ausreichend Strom und Volumen, aber Galaxy-Brillen, die mit Gentle Monster und Warby Parker gebaut wurden, haben beides nicht. Wenn Qwen wirklich Eye Tracking in dieser Größe und mit dieser Leistung hat, bekommt Alibaba einen Zeiger, der im Gewicht nichts kostet, während seine Rivalen weiterhin für ein Armband oder ein Telefon bezahlen.

Beginnen wir mit dem Voice Stack. Der Folientitel lautet 免唤醒连续对话的语音全双工架构, "Vollduplex-Spracharchitektur für aufwachwortfreie kontinuierliche Konversation", mit dem Untertitel 精准抗干扰、动态判停、实时意图接管: präzise Interferenzunterdrückung, dynamische Spracherkennungs-Ende und Echtzeit-Intent-Übernahme. Die linke Hälfte ist mit 流式 AudioLLM 预训练 (Streaming AudioLLM Pre-Training) beschriftet, wobei ein Audio-Encoder einen Adapter in das Qwen LLM zusammen mit Text-Tokens einspeist. Die rechte Hälfte, 全双工后训练 (Vollduplex-Post-Training), ist der interessante Teil.

Dieses Post-Training-Panel zeigt einen Vier-Zustands-Klassifikator, den die Pressemitteilung nie erwähnt. Lesen der Legende: <0> bedeutet 噪声或者静音, Geräusch oder Stille. <1> bedeutet 有语音但无实际语义, Sprache vorhanden, aber keine tatsächliche Semantik. <2> bedeutet 有语义但不完备，语音可打断信号, semantisch bedeutsam, aber unvollständig, ein unterbrechbares Signal. <3> bedeutet 语音语义完备，判停信号, semantisch vollständige Sprache, das Stoppsignal. Die Mock-Inferenz zeigt die Tokens 那 北京 明天 的 天气 呢 getaggt <1>, <1>, <2>, <2>, <2>, <3>, mit einer Anmerkung, dass zwei aufeinanderfolgende <2>-Tags 打断 (unterbrechen) auslösen und ein <3> gefolgt von <0> 判停 (Ende des Turns) auslöst. So erreicht Qwen überlappende Konversation ohne Wake-Word und behauptet eine 90%ige Reduzierung von Fehltriggerungen in lauten Räumen.

Was es bedeutet: Das Abschaffen des Wake Words ist die wertvollste Interaktionsänderung überhaupt, und Qwen geht es auf Token-Ebene an, anstatt mit einem besseren Triggerwort. Jedes "Hey Meta" erinnert daran, dass die Brille eine Fernbedienung ist, kein Begleiter, und Metas eigene Live-Übersetzung funktioniert immer noch abwechselnd. Google ist der einzige Rivale mit einem wirklich vergleichbaren Asset, da Gemini Live bereits streamt und unterbrechbar ist, aber es in Samsung-Brillen einzubauen, bedeutet, Akku- und Wärmegrenzen zu bekämpfen, die ein Telefon nicht hat. Mentra, da es offen ist, wird wahrscheinlich jedes günstigste Streaming-Modell einbinden und Entwicklern ermöglichen, den Barge-in selbst einzustellen. Der Vier-Zustands-Klassifikator ist auch die ehrliche Antwort auf Fehltrigger: Man kann keine ständig hörenden Brillen in einer lauten Straße beanspruchen, es sei denn, das Modell kann Hintergrundgespräche von einem unvollendeten Satz unterscheiden, der an es gerichtet ist.

Die Mikrofonkette bekommt eine eigene Folie, betitelt 端云协同的全链路拾音架构, eine Edge-Cloud-kollaborative Full-Chain-Audio-Aufnahme-Architektur, deren erklärtes Ziel es ist, 缓解端侧算力依赖 提升翻译 / 听记准确率: die Abhängigkeit von der On-Device-Rechenleistung zu reduzieren, die Übersetzungs- und Transkriptionsgenauigkeit zu verbessern. Die 端侧链路 (Edge-Kette) läuft mit 5 Mikrofonen + 1 VPU, dann 回声消除 (Echounterdrückung), dann 定向增强 (Beamforming), dann 编码 (Kodierung). Multichannel-Audio reist dann über das 手机 (Telefon) in die 云端链路 (Cloud-Kette): 解码 (Dekodierung), 丢包补偿 (Paketverlustkompensation), 增益控制 (Verstärkungsregelung) und schließlich 大模型语音增强, Großmodell-Sprachverbesserung. Die Produktaufnahme ist mit 骨传导麦克风, Knochenleitungs-Mikrofon, beschriftet. Fünf Mikrofone plus eine Knochenleitungsaufnahme ist, wie Qwen behauptet, die höchste Mikrofonkonfiguration, die derzeit in dieser Klasse ausgeliefert wird.

Was es bedeutet: Alibaba gibt zu, dass die On-Device-Rechenleistung nicht ausreicht, und verlagert die Sprachverbesserung in die Cloud, was eine ganz andere Wette ist als die von Meta. Meta hält Übersetzungen und Untertitel so nah wie möglich am Gerät, weil Latenz und Offline-Verhalten Teil des Angebots sind und weil das Senden von Roh-Audio an einen Server in Europa ein regulatorischer Kampf ist, den es nicht braucht. Für Samsung und Google ist dieselbe Architektur sowohl einfacher als auch riskanter: einfacher, weil Gemini bereits in der Cloud lebt, riskanter, weil Galaxy-Brillen vom ersten Tag an in der EU verkauft werden und eine Cloud-Audio-Pipeline die Datenschutzfragen aufwirft, die Meta zwei Jahre lang absorbiert hat. Mentra-Entwickler hingegen erhalten eine Vorlage, die sie mit jedem gehosteten Modell kopieren können. Fünf Mikrofone plus Knochenleitung sind hier das echte Unterscheidungsmerkmal, und es sind Hardwarekosten, die niemand im Bereich unter 300 Dollar zahlt.

Auf der Eye-Tracking-Folie verbergen sich die Zahlen. Das Panel 高精度眼动追踪系统 listet vier Behauptungen auf: 高精度 mit 识别偏差 < 1°, einem Erkennungsfehler unter einem Grad; 高鲁棒性 mit 0-10万 Lux 全场景光照环境可用, nutzbar von 0 bis 100.000 Lux; 低功耗 mit 运行功耗 < 100mW; und 小体积 mit 眼动模组 < 1.7mm³, einem Eye-Tracking-Modul unter 1,7 Kubikmillimetern. Eine zweite Folie teilt die Funktion in zwei Teile: 眼动交互 (Blickinteraktion) mit dem Slogan 直觉化操控 视线即指令, intuitive Steuerung, bei der die Blicklinie der Befehl ist, und 注视点识别 (Blickpunkterkennung), die eine 实现对复杂环境中单一目标的"即时锁定", sofortige Fixierung auf ein einzelnes Objekt in einer überladenen Szene verspricht.

Dieses zweite Panel enthält das einzige echte UI-Mockup im Deck, und es ist eine Museumsszene mit blau-weißen Porzellan. Die Nutzerblase sagt 这是什么？, "Was ist das?", und die Brille antwortet 你左前方的是..., "das links vorne ist...". Zusammen mit dem Spezifikationsblatt gelesen, ist die Absicht explizit: Blick ersetzt das Touchpad, und der Fixationspunkt wird zu einem Crop-Hinweis für das Visionsmodell, so dass "was ist das" nicht mehr "den gesamten Rahmen beschreiben" bedeutet. Alibaba leitet die Blickhardware auch in den Zahlungsverkehr ein, da die mit Ant Group entwickelte Iris-Verifizierung denselben optischen Pfad nutzt.

Was es bedeutet: "Was ist das?" funktioniert nur, wenn die Brille weiß, was "das" ist, und Blick ist der günstigste Weg, dies zu beantworten. Heute beantwortet Meta den gesamten Rahmen, weshalb seine visuellen Antworten in einer überfüllten Szene generisch sind und warum das Neural Band als Ersatz-Zeigegerät existiert. Mentra hat das gleiche Framing-Problem ohne Sensor, um es zu lösen. Google ist derjenige, der nervös sein sollte, denn Blick plus ein multimodales Modell ist genau die Gemini-Demo, an die sich jeder erinnert, und Alibaba könnte sie auf ein Gesicht bringen, bevor Android XR-Brillen in den Handel kommen. Fügt man die Ant Group Iris-Verifizierung auf demselben optischen Pfad hinzu, hört der Blick auf, eine Eingabemethode zu sein: Er wird zu einem Identitäts- und Zahlungssensor, einem Geschäft, das Meta nicht schnell kopieren kann und das Samsung regional mit Banken verhandeln müsste.

Die Always-on-Kamera ist überhaupt nicht die Hauptkamera, und die Folie macht das ungewöhnlich deutlich. Unter 端侧部署视觉识别模型 (visuelles Erkennungsmodell auf dem Gerät) heißt es 低功耗感知芯片 运行功耗 < 5mW. Der als 分级视觉唤醒机制 (gestufter visueller Weckmechanismus) bezeichnete Ablauf führt von der 高清摄像头 (HD-Kamera) zum 低功耗感知芯片 (stromsparender Sensorchip, der 控制/通信/OTA, Bilderkennung, Jpeg/YUV-Kodierung und RAW-Verarbeitung handhabt) zum 本地服务决策系统 (lokales Dienstentscheidungssystem). Von dort aus teilt es sich auf: AON 模式 führt zu 各场景主动服务 (proaktive Dienste pro Szenario) vollständig auf dem Gerät, während 高清模式 den 高性能计算芯片 weckt. Erst nach dieser Verzweigung erreichen Sie die Zeile 图片 / 隐私授权 / 用户上传 - Bild, Datenschutzerklärung, Benutzer-Upload - bevor etwas das 视觉记忆千问大模型 (das Qwen-Visual-Memory-Modell) und 千问 AIGC 大模型 erreicht. Mit anderen Worten, das Zustimmungs-Gate sitzt zwischen Telefon und Cloud, nicht zwischen Sensor und Chip.

Was es bedeutet: Ein 5mW-Wahrnehmungschip, der den ganzen Tag den Raum überwacht, ist die Funktion, die einen Assistenten in einen Agenten verwandelt, und es ist auch die Funktion, die den nächsten Datenschutzstreit definieren wird. Beachten Sie, wo das Zustimmungs-Gate auf dieser Folie sitzt: zwischen Telefon und Cloud, nicht zwischen Sensor und Chip. Meta hat absichtlich keinen Always-on-Kameramodus ausgeliefert, und seine Capture-LED ist jetzt Teil seiner rechtlichen Verteidigung in einem Markt, in dem New York Smart Glasses in Gerichtsgebäuden bereits verboten hat. Google und Samsung erben diese Einschränkung, multipliziert mit dem EU AI Act und ihren eigenen Unternehmenskunden, so dass ein kontinuierlich beobachtendes Galaxy-Paar im Westen ohne eine sehr laute Hardware-Anzeige fast nicht lieferbar ist. Alibaba kann es zuerst in China ausliefern, die Verhaltensdaten sammeln und seine Rivalen über die Zustimmung streiten lassen, während es lernt, wie sich proaktiver Dienst tatsächlich anfühlt.

Beim Display bricht Qwen mit den Head-locked-Panels, die die aktuellen AI-Brillen dominieren. Die Folie "3D 空间显示" teilt sich in "3D 显示", basierend auf "双显双光机" (Doppeldisplays, doppelte optische Engines), "双目视差渲染" (binokulares Parallaxen-Rendering) und "亚毫秒级硬同步" (Sub-Millisekunden-Hardware-Synchronisation), und "3DoF 显示", basierend auf "实时精准头部追踪" (Echtzeit-Head-Tracking), "双芯协同渲染" (Dual-Chip-kollaboratives Rendering) und einer Bildrate von bis zu 90 FPS. Bildschirme sind im Raum verankert und nicht an der Nase befestigt, und 7.1 virtuelles Surround-Audio verfolgt die Kopfhaltung, sodass Schallquellen physisch platziert bleiben.

Die Mock-Karten in diesem Render sind ebenfalls lesenswert, denn sie deuten auf die Anwendungsfälle beim Launch hin: eine Kalenderkachel, die 7月 星期五 17 anzeigt, eine Wetterkachel mit 晴转多云 22°/29° und AQI 21 空气优, eine Benachrichtigung 来自张三 下午4:00开会 会议室2 ("von Zhang San, Besprechung um 16:00 Uhr, Besprechungsraum 2"), ein Chat-Thread 这个是设计稿 / 麻烦审核一下 / 没问题, und ein großes schwebendes Panel mit den Liedtexten von Beyonds 《海阔天空》. Kalender, Wetter, Arbeits-IM und Liedtexte: Dies ist ein Produktivitäts- und Alltagsbegleiter, kein AR-Gaming-Pitch.

Was es bedeutet: Dies ist die deutlichste Lücke zu Meta. Ray-Ban Display ist monokular und kopfgebunden, eine Benachrichtigungsfläche, die an Ihrer Nase befestigt ist, während Qwen zwei optische Engines, binokulare Parallaxe und 3DoF-Head-Tracking bei 90 FPS beschreibt, was Panels im Raum verankert. Viture und XREAL verkaufen bereits 3DoF, aber als kabelgebundene Viewer, nicht als Agent-Brillen. Für Samsung steht viel auf dem Spiel: Galaxy-Brillen mit Gemini werden daran gemessen, und Android XR benötigt einen räumlichen Fenstermanager für Brillen statt einer verkleinerten Headset-Benutzeroberfläche. Für Google ist es eine Plattformfrage, denn wer definiert, wo ein schwebendes Panel lebt, wie es Ihnen folgt und welche Latenz akzeptabel ist, definiert das App-Modell. Die Mock-Karten verraten auch die Zielanwendungsfälle: Kalender, Wetter, Arbeits-Chat und Liedtexte. Produktivität und täglicher Begleiter, kein AR-Gaming.

Die Gesundheitsfolie, 用户体征实时监测系统, ist die mit den meisten technischen Details pro Quadratzentimeter. Die 端侧-Spalte verbindet die AON-Signalakquisition von ET (Eye Tracking), PPG und IMU mit 滤波消噪 (Filterung und Entrauschung), dann 多维度特征提取 (mehrdimensionale Merkmalsextraktion) und NTC 环温补偿 (Umgebungstemperaturkompensation) mit 红外测温 (Infrarot-Temperaturmessung). Die App-Spalte verarbeitet 数据融合和统计 und 生理指标计算 und leitet HRV und Herzfrequenz an die 云端-Spalte weiter, die 多模态生理压力算法 (multimodaler physiologischer Stress), 心率/血氧算法 (Herzfrequenz und Blutsauerstoff) und 多模态发热风险算法 (Fieberrisiko) ausführt. Ein Banner darunter besagt, dass Qwen ein 「主任医师级」大模型 mit medizinischen Experten entwickelt hat - ein "Chefarzt-Modell" - und die Fußnote warnt 本功能提供的健康信息仅供日常参考，不构成医疗建议, Gesundheitsinformationen dienen nur der täglichen Referenz und sind keine medizinische Beratung.

Das Gesundheits-Mockup zeigt die Interaktion, die Qwen wirklich verkauft. Der Benutzer fragt 最近总觉得累，怎么回事呢？, "Ich fühle mich in letzter Zeit immer müde, was ist los?", und die Brille antwortet 今天久坐超过3小时，压力指数也比上周高20%，多户外活动有利于身心平衡: Sie sitzen heute schon über drei Stunden, Ihr Stressindex ist 20% höher als letzte Woche, mehr Outdoor-Aktivitäten würden helfen. Drei Kacheln kennzeichnen die Säulen: 生理压力 (physiologischer Stress), 体征监测 (Vitalwert-Überwachung) und 长期记忆 (Langzeitgedächtnis). Letzteres ist wichtiger als die Sensoren, denn hier hört ein Wearable auf, Fragen zu beantworten, und beginnt, ein Profil von Ihnen zu speichern.

Was es bedeutet: Gesundheit ist die Flanke, auf der Meta am schwächsten und Samsung am stärksten ist. Metas Sportlinie mit Oakley erfasst Aktivität und Herzfrequenz über Partner, und Mentra hat überhaupt keine Sensor-Story. Eine PPG- plus Temperatur- plus Augenermüdungspipeline in einem Display-Paar positioniert Alibaba in einer Kategorie, die Meta aus regulatorischen Gründen vermieden hat. Samsung hingegen besitzt bereits die Uhr, den Ring und Samsung Health, sodass Brillen, die HRV und Ermüdung lesen, in ein Ökosystem passen würden, das Alibaba von Grund auf aufbauen müsste, und Google würde das Modell liefern, das es interpretiert. Der Vorbehalt findet sich in Qwens eigener Fußnote: Dies ist eine tägliche Referenz, keine medizinische Beratung, und ein "Chefarzt-Modell" ist eine Marketingaussage, keine Genehmigung. Wer versucht, Ermüdungserkennung in Europa oder den Vereinigten Staaten zu verkaufen, benötigt mehr als eine Folie.

Unsere Einschätzung: Insgesamt ist das Deck eine Wette, dass der Engpass bei KI-Brillen nicht mehr das Modell, sondern der Sensor und das umgebende Energiebudget ist. Jede Folie ist ein Versuch, eine ständig aktive Wahrnehmung zu Energiekosten zu ermöglichen, die das Gestell tragen kann - 5 mW für Umgebungssehen, unter 100 mW für Blick, ein 1,7 mm³ großes Augenmodul, Cloud-Offloading für alles, was schwer ist. Meta kämpft denselben Kampf mit einem hinter einer Paywall liegenden Assistenten und seiner eigenen Silizium-Roadmap, während Samsung auf das Galaxy-Ökosystem setzt. Alibabas Alleinstellungsmerkmal ist, dass der Agent bereits Ride-Hailing, Lieferdienste, Ticketing und Zahlungen innerhalb seiner eigenen Super-App-Wirtschaft erreichen kann, was genau die Infrastruktur ist, die westlichen Plattformen fehlt.

Zwei Vorbehalte. Jede Zahl hier stammt von Qwen selbst, gemessen unter Qwens Bedingungen, einschließlich der 90%igen Reduzierung von Fehltriggerungen und der Blickgenauigkeit von unter einem Grad, und nichts davon wurde bisher unabhängig getestet. Und der Zeitplan ist geteilt: Die neue Hardware kommt später in diesem Jahr auf ein Flaggschiff-Agent-Brillenmodell, während die bereits ausgelieferten Qwen S1 und G1 die Agent-Software-Schicht über ein OTA-Update erhalten, ohne Eye Tracking, den 5mW-Vision-Chip oder das 3DoF-Display.

Wir verfolgen jedes Modell, jede Spezifikation und jedes Veröffentlichungsdatum in unserem Smart Glasses Benchmark, und die Qwen-Linie ist dort zusammen mit Meta, Samsung, XREAL, Rokid und dem Rest aufgeführt.

Source: Alibaba Group ↗