Decodificamos las diapositivas chinas de Qwen: Por dentro de las "Smart Glasses" Agente de Alibaba

Qwen de Alibaba presentó sus "smart glasses" de última generación en la Conferencia Mundial de Inteligencia Artificial en Shanghái, que se inauguró el 17 de julio de 2026, y el enfoque ya no es "gafas AI" sino gafas agente: un dispositivo que invoca Habilidades y Agentes de terceros bajo demanda, impulsado por Qwen, el modelo multimodal insignia de Alibaba. La ficha de hardware es agresiva: audio "full-duplex", seguimiento ocular de alta precisión, una ruta de cámara siempre activa que funciona a 5 milivatios, pantalla espacial 3DoF, además de sensores PPG y de temperatura para mediciones continuas de vitales.

Aquí está la parte que nadie hizo. Las diapositivas técnicas que mostró Qwen están completamente en chino, llenas de diagramas de bloques, etiquetas de modo y burbujas de UI simuladas, y la cobertura en inglés hasta ahora solo ha repetido el resumen de prensa. Ejecutamos reconocimiento de imágenes en cada diapositiva y transcribimos las etiquetas una por una. Lo que surge es mucho más específico que el anuncio: se puede leer la jerarquía de "wake-up", el "pipeline" de audio, la puerta de privacidad e incluso las notificaciones falsas que Qwen eligió renderizar dentro de la lente.

Lo que implica: un módulo de seguimiento ocular de menos de 1.7 milímetros cúbicos que consume menos de 100 mW es el tipo de número que decide si una característica se incluye en gafas o se queda en un "headset". Ray-Ban Display de Meta no tiene seguimiento ocular, razón por la cual necesita la Neural Band en la muñeca para mover un cursor. Mentra, el equipo de código abierto, tampoco incluye sensor de mirada y se apoya en la voz más el tacto del teléfono. Google y Samsung tienen la versión más difícil de este problema: Android XR ya asume entrada de mirada más mano en Project Moohan, un "headset" con mucha potencia y volumen, pero las gafas con marca Galaxy construidas con Gentle Monster y Warby Parker no tienen ninguna. Si Qwen realmente tiene mirada con este tamaño y potencia, Alibaba obtiene un puntero que no cuesta nada en peso mientras sus rivales siguen pagando por una pulsera o un teléfono.

Comencemos con la pila de voz. El título de la diapositiva dice 免唤醒连续对话的语音全双工架构, "arquitectura de voz "full-duplex" para conversación continua sin "wake-word"", con un subtítulo que promete 精准抗干扰、动态判停、实时意图接管: rechazo preciso de interferencias, detección dinámica de fin de habla y toma de control de intención en tiempo real. La mitad izquierda está etiquetada como 流式 AudioLLM 预训练 (preentrenamiento de AudioLLM "streaming"), donde un codificador de audio alimenta un adaptador al Qwen LLM junto con "tokens" de texto. La mitad derecha, 全双工后训练 (post-entrenamiento "full-duplex"), es la parte interesante.

Ese panel de "post-entrenamiento" expone un clasificador de cuatro estados que el comunicado de prensa nunca menciona. Leyendo la leyenda: <0> significa 噪声或者静音, ruido o silencio. <1> significa 有语音但无实际语义, habla presente pero sin semántica real. <2> significa 有语义但不完备，语音可打断信号, semánticamente significativo pero incompleto, una señal interrumpible. <3> significa 语音语义完备，判停信号, habla semánticamente completa, la señal de parada. La inferencia simulada muestra los "tokens" 那 北京 明天 的 天气 呢 etiquetados <1>, <1>, <2>, <2>, <2>, <3>, con una anotación de que dos etiquetas <2> consecutivas activan 打断 (interrumpir) y un <3> seguido de <0> activa 判停 (fin de turno). Así es como Qwen logra una conversación superpuesta sin una "wake word", y cómo afirma una reducción del 90% en disparos falsos en habitaciones ruidosas.

Lo que implica: eliminar la "wake word" es el cambio de interacción más valioso que existe, y Qwen lo está abordando a nivel de "token" en lugar de con una mejor palabra de activación. Cada "Hey Meta" es un recordatorio de que las gafas son un control remoto, no un compañero, y la propia traducción en vivo de Meta aún funciona por turnos. Google es el único rival con un activo genuinamente comparable, ya que Gemini Live ya está en "streaming" y es interrumpible, pero incluirlo en las gafas Samsung significa luchar contra los límites de batería y térmicos que un teléfono no tiene. Mentra, al ser de código abierto, probablemente conectará el modelo de "streaming" más barato y permitirá a los desarrolladores ajustar el "barge-in" ellos mismos. El clasificador de cuatro estados es también la respuesta honesta a los "falsos disparos": no se pueden ofrecer gafas que escuchen siempre en una calle ruidosa a menos que el modelo pueda distinguir la conversación de fondo de una frase sin terminar dirigida a ellas.

La cadena de micrófonos tiene su propia diapositiva, titulada 端云协同的全链路拾音架构, una arquitectura de captación de audio de cadena completa colaborativa "edge-cloud" cuyo objetivo declarado es 缓解端侧算力依赖 提升翻译 / 听记准确率: reducir la dependencia del cómputo en el dispositivo, mejorar la precisión de la traducción y la transcripción. La cadena 端侧链路 ("edge chain") ejecuta 5Mic 阵列 + 1VPU, luego 回声消除 (cancelación de eco), luego 定向增强 ("beamforming"), luego 编码 ("encoding"). El audio multicanal luego viaja a través del 手机 (teléfono) a la cadena 云端链路 ("cloud chain"): 解码 ("decode"), 丢包补偿 (compensación de pérdida de paquetes), 增益控制 (control de ganancia), y finalmente 大模型语音增强, mejora de voz de "large-model". La toma del producto se titula 骨传导麦克风, micrófono de conducción ósea. Cinco micrófonos más una captación de conducción ósea es, como afirma Qwen, la configuración de micrófono más alta que se envía actualmente en esta clase.

Lo que implica: Alibaba admite que el cómputo en el dispositivo no es suficiente y está llevando la mejora de voz a la nube, lo cual es una apuesta muy diferente a la de Meta. Meta mantiene la traducción y los subtítulos lo más cerca posible del dispositivo porque la latencia y el comportamiento "offline" son parte de su propuesta, y porque enviar audio de sala en bruto a un servidor es una lucha regulatoria en Europa que no necesita. Para Samsung y Google, la misma arquitectura es más fácil y más arriesgada: más fácil porque Gemini ya vive en la nube, más arriesgada porque las gafas Galaxy se venderán en la UE el primer día y un "pipeline" de audio en la nube invita a las preguntas sobre protección de datos que Meta ha pasado dos años absorbiendo. Los desarrolladores de Mentra, mientras tanto, obtienen una plantilla que pueden copiar con cualquier modelo alojado. Cinco micrófonos más la conducción ósea es el verdadero diferenciador aquí, y es un costo de "hardware" que nadie en el rango de menos de 300 dólares está pagando.

La diapositiva de seguimiento ocular es donde se esconden los números. El panel 高精度眼动追踪系统 enumera cuatro afirmaciones: 高精度 con 识别偏差 < 1°, un error de reconocimiento inferior a un grado; 高鲁棒性 con 0-10万 Lux 全场景光照环境可用, utilizable de 0 a 100.000 lux; 低功耗 con 运行功耗 < 100mW; y 小体积 con 眼动模组 < 1.7mm³, un módulo de seguimiento ocular de menos de 1.7 milímetros cúbicos. Una segunda diapositiva divide la característica en dos: 眼动交互 (interacción por mirada) con el lema 直觉化操控 视线即指令, control intuitivo donde la línea de visión es el comando, y 注视点识别 (reconocimiento del punto de fijación de la mirada), que promete 实现对复杂环境中单一目标的"即时锁定", bloqueo instantáneo de un solo objeto en una escena concurrida.

Ese segundo panel contiene el único "mockup" de UI verdadero en el "deck", y es una escena de museo de porcelana azul y blanca. La burbuja del usuario dice 这是什么？, "¿qué es esto?", y las gafas responden 你左前方的是..., "el que está a tu izquierda es...". Leído junto con la hoja de especificaciones, la intención es explícita: la mirada reemplaza el "touchpad", y el punto de fijación se convierte en una pista de recorte para el modelo de visión, por lo que "¿qué es esto?" ya no significa "describe todo el cuadro". Alibaba también está dirigiendo el "hardware" de mirada hacia los pagos, ya que la verificación de iris construida con Ant Group utiliza la misma ruta óptica.

Lo que implica: "¿qué es esto?" solo funciona si las gafas saben qué es "esto", y la mirada es la forma más económica de responder a eso. Hoy Meta responde a todo el cuadro, por lo que sus respuestas visuales son genéricas en una escena desordenada, y por eso existe la Neural Band como dispositivo de puntero sustituto. Mentra tiene el mismo problema de encuadre sin un sensor para resolverlo. Google es quien debería estar nervioso, porque la mirada más un modelo multimodal es precisamente la demo de Gemini que todo el mundo recuerda, y Alibaba puede ponerla en una cara antes de que las gafas Android XR lleguen a las estanterías. Agregue la verificación de iris de Ant Group en la misma ruta óptica y la mirada deja de ser un método de entrada: se convierte en un sensor de identidad y pago, un negocio que Meta no puede copiar rápidamente y que Samsung tendría que negociar con los bancos región por región.

La cámara siempre activa no es la cámara principal en absoluto, y la diapositiva lo deja inusualmente claro. Bajo 端侧部署视觉识别模型 (modelo de reconocimiento visual en el dispositivo) se indica 低功耗感知芯片 运行功耗 < 5mW. El flujo etiquetado 分级视觉唤醒机制, un mecanismo de activación visual por niveles, va de 高清摄像头 (cámara HD) a 低功耗感知芯片 ("low-power sensing chip", que gestiona 控制/通信/OTA, reconocimiento de imágenes, codificación Jpeg/YUV y procesamiento RAW) a 本地服务决策系统, un sistema local de decisión de servicios. A partir de ahí se bifurca: el modo AON conduce a 各场景主动服务 (servicios proactivos por escenario) completamente en el dispositivo, mientras que el modo 高清模式 activa el 高性能计算芯片. Solo después de esa bifurcación se llega a la fila marcada 图片 / 隐私授权 / 用户上传 - imagen, autorización de privacidad, carga de usuario - antes de que algo llegue a 视觉记忆千问大模型 (el modelo de memoria visual de Qwen) y 千问 AIGC 大模型. En otras palabras, la puerta de consentimiento se encuentra entre el teléfono y la nube, no entre el sensor y el chip.

Lo que implica: un chip de percepción de 5mW vigilando la habitación todo el día es la característica que convierte un asistente en un agente, y también es la característica que definirá la próxima lucha por la privacidad. Nótese dónde se encuentra la puerta de consentimiento en esta diapositiva: entre el teléfono y la nube, no entre el sensor y el chip. Meta ha evitado deliberadamente incluir una ruta de cámara "always-on", y su LED de captura es ahora parte de su defensa legal en un mercado donde Nueva York ya ha prohibido las "smart glasses" en los juzgados. Google y Samsung heredan esa restricción multiplicada por la Ley de IA de la UE y sus propios clientes empresariales, por lo que un par Galaxy de vigilancia continua es casi imposible de enviar en Occidente sin un indicador de "hardware" muy ruidoso. Alibaba puede enviarlo primero en China, recopilar los datos de comportamiento y dejar que sus rivales discutan sobre el consentimiento mientras aprende cómo se siente realmente un servicio proactivo.

En cuanto a la pantalla, Qwen rompe con los paneles fijados a la cabeza que dominan las "AI glasses" actuales. La diapositiva 3D 空间显示 se divide en 3D 显示, construida sobre 双显双光机 (pantallas dobles, motores ópticos dobles), 双目视差渲染 (renderizado de paralaje binocular) y 亚毫秒级硬同步 (sincronización de "hardware" de sub-milisegundos), y 3DoF 显示, construida sobre 实时精准头部追踪 (seguimiento de cabeza en tiempo real), 双芯协同渲染 (renderizado colaborativo de doble chip) y 帧率高至 90FPS. Las pantallas están ancladas en la habitación en lugar de fijadas a la nariz, y el audio envolvente virtual 7.1 rastrea la posición de la cabeza para que las fuentes de sonido permanezcan físicamente ubicadas.

Las tarjetas simuladas en esa representación también valen la pena leerse, porque telegrafían los casos de uso de lanzamiento: un recuadro de calendario que muestra 7月 星期五 17, un recuadro de clima que dice 晴转多云 22°/29° con AQI 21 空气优, una notificación 来自张三 下午4:00开会 会议室2 ("de Zhang San, reunión a las 4pm, sala de reuniones 2"), un hilo de chat 这个是设计稿 / 麻烦审核一下 / 没问题, y un gran panel flotante con la letra de 《海阔天空》 de Beyond. Calendario, clima, mensajería instantánea de trabajo y letras: este es un dispositivo de productividad y compañero diario, no una propuesta de juegos AR.

Lo que implica: esta es la brecha más clara con Meta. Ray-Ban Display es monocular y fijado a la cabeza, una superficie de notificación pegada a la nariz, mientras que Qwen describe dos motores ópticos, paralaje binocular y seguimiento de cabeza 3DoF a 90FPS, que ancla los paneles en la habitación. Viture y XREAL ya venden 3DoF, pero como visores con cable, no como "agent glasses". Para Samsung, las apuestas son directas: las gafas Galaxy con Gemini se juzgarán en comparación con esto, y Android XR necesita un gestor de ventanas espaciales para gafas en lugar de una UI de "headset" reducida. Para Google es una cuestión de plataforma, porque quien define dónde vive un panel flotante, cómo te sigue y qué latencia es aceptable, define el modelo de aplicación. Las tarjetas simuladas también te indican los casos de uso objetivo: calendario, clima, chat de trabajo y letras. Productividad y compañero diario, no juegos AR.

La diapositiva de salud, 用户体征实时监测系统, es la que tiene más detalles de ingeniería por centímetro cuadrado. La columna 端侧 encadena la adquisición de señal AON en ET ("eye tracking"), PPG e IMU en 滤波消噪 (filtrado y eliminación de ruido) luego 多维度特征提取 (extracción de características multidimensionales), y NTC 环温补偿 (compensación de temperatura ambiente) en 红外测温 (medición de temperatura infrarroja). La columna App gestiona 数据融合和统计 y 生理指标计算, pasando la VFC y la frecuencia cardíaca a la columna 云端, que ejecuta 多模态生理压力算法 ("multimodal physiological stress"), 心率/血氧算法 (frecuencia cardíaca y oxígeno en sangre) y 多模态发热风险算法 (riesgo de fiebre). Un banner debajo dice que Qwen construyó un 「主任医师级」大模型 con expertos médicos - un modelo de "grado médico jefe" - y la nota al pie advierte 本功能提供的健康信息仅供日常参考，不构成医疗建议, la información de salud proporcionada por esta función es solo para referencia diaria y no constituye consejo médico.

La maqueta de salud muestra la interacción que Qwen realmente está vendiendo. El usuario pregunta 最近总觉得累，怎么回事呢？, "Últimamente me siento cansado, ¿qué está pasando?", y las gafas responden 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: hoy has estado sentado más de tres horas, tu índice de estrés también es un 20% más alto que la semana pasada, más actividad al aire libre te ayudaría. Tres recuadros etiquetan los pilares: 生理压力 ("physiological stress"), 体征监测 ("vitals monitoring") y 长期记忆 ("long-term memory"). Este último importa más que los sensores, porque es donde un "wearable" deja de responder preguntas y comienza a mantener un perfil tuyo.

Lo que implica: la salud es el flanco donde Meta es más débil y Samsung es más fuerte. La línea deportiva de Meta con Oakley cuenta la actividad y la frecuencia cardíaca a través de socios, y Mentra no tiene ninguna historia de sensores, por lo que un "pipeline" de PPG más temperatura más fatiga ocular en un par de gafas con pantalla coloca a Alibaba en una categoría que Meta ha evitado por razones regulatorias. Samsung, por otro lado, ya posee el reloj, el anillo y Samsung Health, por lo que las gafas que leen la VFC y la fatiga encajarían en un ecosistema que Alibaba tiene que construir desde cero, y Google suministraría el modelo que lo interpreta. La advertencia está en la propia nota al pie de Qwen: esto es una referencia diaria, no un consejo médico, y un modelo de "grado de médico jefe" es una afirmación de "marketing", no una aprobación. Quien intente vender la detección de fatiga en Europa o Estados Unidos necesitará más que una diapositiva.

Nuestra opinión: leído en su conjunto, el "deck" es una apuesta a que el cuello de botella en las "AI glasses" ya no es el modelo, sino el sensor y el presupuesto de energía a su alrededor. Cada diapositiva es un intento de lograr una conciencia "always-on" con un costo de energía que la montura pueda soportar: 5 mW para visión ambiental, menos de 100 mW para la mirada, un módulo ocular de 1.7 mm³, descarga a la nube para cualquier cosa pesada. Meta está librando la misma batalla con un asistente de pago y su propia hoja de ruta de silicio, mientras que Samsung se apoya en el ecosistema Galaxy. El diferenciador de Alibaba es que el agente ya puede acceder a servicios de transporte, entrega, venta de entradas y pagos dentro de su propia economía de "super-apps", que es precisamente la infraestructura que les falta a las plataformas occidentales.

Dos advertencias. Cada número aquí es de Qwen, medido en las condiciones de Qwen, incluida la reducción del 90% en los "falsos disparos" y la precisión de la mirada de menos de un grado, y nada de esto ha sido probado independientemente todavía. Y la línea de tiempo está dividida: el nuevo "hardware" llegará a un modelo insignia de "agent-glasses" a finales de este año, mientras que los Qwen S1 y G1, que ya se están comercializando, obtendrán la capa de "software" del agente a través de una actualización OTA, sin el seguimiento ocular, el chip de visión de 5 mW o la pantalla 3DoF.

Hacemos un seguimiento de cada modelo, especificación y fecha de lanzamiento en nuestro "benchmark" de "smart glasses", y la línea Qwen está allí junto con Meta, Samsung, XREAL, Rokid y el resto.

Source: Alibaba Group ↗