AREX Feed Article
Qwen 给 Claude Code 装上眼睛和 Blender，但没让你换 Agent
8 月 10 日，，一个 Apache 2.0 协议的多模态插件系统，代码，截至发稿收获 694 颗星。
这是一套 skill + MCP server，可以直接装进 Claude Code、Codex、Gemini CLI、Qoder、OpenClaw、Qwen Code 等已有的 agent harness 里。装完之后，这些原本只能处理文本和代码的 Agent，就能读取图片、视频、文档、3D 模型，做 OCR 和视觉定位，甚至直接操控一台正在运行的 Blender 或 FreeCAD。
「眼角膜到货了」：社区最先看清的是分发意图
公告推文发布后，中文开发者社区最先抓住的不是技术细节，而是分发逻辑。独立开发者、AI 博主 在引用中直接喊话 DeepSeek 和 GLM：「你们的眼角膜到货了。」这条调侃背后是一个简单的事实：Qwen 的多模态能力现在可以被装进任何一家模型的 Agent 里。
拥有 2.5 万关注者的科技博主 在引用中拆解了这套架构：「Agent Harness 负责干活，Skill 负责告诉模型什么时候该用什么能力，MCP 负责把真正的工具接进来。」他总结道：「以后很多能力可能都没必要重新做一个 Agent，做成 Plugin 挂进去就行。」
拥有 4.6 万关注者的 则点出了这次发布与以往 Qwen 模型发布的区别：「以前很多 Agent 只能处理文本，遇到图像、视频或三维文件就要额外接工具。现在这些能力被封装成插件，直接挂到现有 harness 上就能用。」
日本开发者 的评论指向了一个被打破的前提：「多模态是模型侧的功能，这个前提已经崩塌了。」
也有开发者提出了更冷的观察。 指出，模态越多，Agent 面临的路由决策就越复杂：「未来的 Agent 不会因为看不见文件而失败。它会失败，是因为选了错误的方式来处理它。」
一周前开源 2.4T 参数，现在开的是工具层
Qwen-MM-Plugins 不是孤立的一步。回顾过去一周：
8 月 3 日，，一个 2.4 万亿参数的旗舰模型，承诺「下周」开放权重，同时预告了更小的 Qwen3.8-27B 也将一并开源。该模型在多个基准测试中进入全球前列。
8 月 7 日，阿里正计划对 Qwen3.8-Max 的大型商业用户引入收入分成条款，效仿 Moonshot AI 在 Kimi K3 上的做法。阿里在开源策略上从「免费获客」走向「分层变现」。
而现在，Qwen-MM-Plugins 将这一周的叙事从「模型参数竞赛」推到了「Agent 工具层竞赛」。它不再回答「我的模型有多强」，而是回答「我的能力能在多少种 Agent 里被调用」。
七个能力模块，从 OCR 到驱动一台正在运行的 Blender
Qwen-MM-Plugins 将每种能力拆成两个部分：一个 skill（告诉模型有哪些工具可用），以及一个可选的 MCP server（工具本体，通过 uvx 按需拉起）。装好的 Agent 引用文件直接提问，模型自动选择对应工具。
七个模块各司其职：
core 是基础视觉层。动态分辨率读取图片、视频、文档和 3D 模型：每张图、每帧视频、每页文档会自动缩放到视觉语言模型的 patch grid，4K 截图上的小字和缩略图都能以各需的精度读入。此外提供 OCR、视觉定位（grounding）、图像分割、语音识别、视觉对话和联网搜索。
video-memory 处理长视频。用四层层次化图记忆结构（Root → SuperEvent → MacroEvent → Subgraph）配合嵌入语义搜索，让 Agent 可以对一个两小时的讲座视频做带时间戳的要点提取，首次提问时自动构建记忆图。
omni-av 面向短音视频理解。通过 Qwen-Omni 实现带说话人标注和时间戳的转录、时序描述与定位、事件计数和音乐标签。
video-edit 提供视频剪辑工作流和图片/视频/音频生成能力，底层调用 DashScope。
blender 驱动一台正在运行的 Blender。通过瘦客户端发送 Python 指令，提供 22 个 MCP 工具：建模、材质、灯光、渲染，以及 PolyHaven/Sketchfab/Hyper3D/Hunyuan3D 素材库调用。
freecad 同理驱动一台正在运行的 FreeCAD，提供 14 个工具：参数化建模、属性修改、STEP/STL 导入导出、CalculiX 有限元分析。
edu-agent 是纯 skill（无 MCP server），将一道数学或理科题变成一步步讲解的中文视频或交互页面。
基础读取功能，如图片、视频和文档，不需要 API key。但 vision_chat、OCR、grounding、语音识别、生成和 video-memory 构建需要阿里 DashScope API key；联网搜索和图片搜索需要 Serper key。视频和音频功能依赖 ffmpeg，文档可视化可选 LibreOffice、Blender、LaTeX 或 Chromium。Windows 仅支持 WSL2，原生 Windows 未经验证。
多模态不再是模型自己的事情
以前，一个 Agent 能不能看图、能不能理解视频，取决于它背后的模型是否原生支持多模态。Claude 的用户用 Claude 的视觉，Gemini 的用户用 Gemini 的视觉。多模态是模型内置的功能，也是各家的护城河。
Qwen-MM-Plugins 做的事情，是把这堵墙拆了。
它把 Qwen 的多模态能力，包括视觉理解、OCR、视频记忆、3D 建模，封装成独立于模型的 MCP 工具。一个 Claude Code 用户不需要切换到 Qwen Code，就能在自己的 Agent 里调用 Qwen 的视频记忆能力来分析一段两小时的会议录像。一个 Codex 用户可以继续用 OpenAI 的模型做代码生成，同时让 Qwen 的 FreeCAD 插件帮他导出 STEP 文件。
Runway 此前也推出了 MCP 连接器，让 Claude、ChatGPT 和 Cursor 可以在对话中生成视觉素材。但 Qwen-MM-Plugins 覆盖的模态种类更广，从 OCR、视频记忆到 3D 建模和 CAD 有限元分析，并且一次性打包成共享的安装器和配置系统。两个项目尚未经过独立的可靠性与输出质量对比。正如 ：「Qwen-MM-Plugins 让阿里获得了一条通过竞争对手 Agent 产品分发的路径。开发者无需将 Qwen Code 作为主要界面，就能添加 Qwen 构建的媒体和 CAD 能力。」
谁的插件能在最多 harness 里跑，谁就留在工作流里
Qwen-MM-Plugins 不是一次模型发布。它是一次关于分发逻辑的声明：在 Agent 时代，多模态能力正在从模型的内置功能变成可插拔的基础设施。而基础设施的竞争规则和模型竞争完全不同：不是你跑分更高别人就换用你，而是你的工具能在多少个已有的工作环境里无缝挂载。
阿里选择了不建围墙。Qwen-MM-Plugins 的 guided installer 覆盖六种 harness，manual 模式覆盖更多。Claude Code、Codex、Gemini CLI 的用户各用各的模型，但可以共用同一套 Qwen 的多模态工具。这条路径如果走通，「谁的多模态模型更强」就不再是唯一的问题。真正的问题是：谁的插件被更多 Agent 调用。