中国大模型正在全模态交互领域实现从“追随”到“领跑”的华丽转身。

3月30日，阿里 正式发布千问新一代全模态大模型 Qwen3.5-Omni。该模型凭借混合注意力 MoE 架构，实现了图片、视频、语音及文字的无缝全模态输入与输出，标志着国产大模型在视听交互领域达到了全球顶尖水平。

image.png

全能战力:215项任务夺冠，硬核超越 Gemini

在衡量大模型综合实力的硬指标上，Qwen3.5-Omni 展现了统治级的表现:

SOTA 霸榜: 在音视频理解、识别与交互等共计215项测试任务中，该模型均取得 SOTA（性能最佳）表现。

对标优胜: 在 DailyOmni、QualcommInteractive 等聚焦视听交互的测试中，其得分大幅领先 Google 的 Gemini-3.1Pro。

抗干扰神技: 在嘈杂环境下的 WenetSpeech 测试中，其识别准确率极高，错误率远低于对手。

交互革命:113种语言识别与“动动嘴”编程

Qwen3.5-Omni 不仅更聪明，而且更懂“方言”和“代码”:

语言专家: 支持113种语言及方言的识别，甚至是毛利语、海南方言等小众语言也能精准捕捉。

Vibe Coding 进化: 开启了音视频编程新时代。用户只需打开摄像头，对着草图口述需求，模型即可直接生成带有复杂 UI 的产品原型界面，真正实现“所说即所得”。

生产力爆发:10小时音频长程理解

针对专业领域，新模型提供了极强的结构化处理能力:

视频深度拆解: 能对画面主体、人物关系及情绪起伏进行极细颗粒度的拆解。

自动切片: 支持超过10小时的音频输入，并能自动完成视频章节切片与时间戳标注，极大提升了内容创作效率。

普惠生态:价格仅为 Gemini 的十分之一

阿里云百炼 平台已同步上线 Plus、Flash、Light 三种 API，旨在为企业提供最具性价比的选择:

成本极低: 每百万 Tokens 输入成本低于0.8元，价格不到 Gemini-3.1Pro 的十分之一。

市场领先: 目前 千问 已服务超100万家客户，稳居中国企业级大模型调用市场第一。

结语:从“理解文字”到“感知世界”

Qwen3.5-Omni 的发布，不仅是阿里技术实力的展现，更是国产大模型迈向“全能交互”的重要里程碑。当模型能够像人类一样听懂方言、看懂草图、理解情绪，AI 将真正从屏幕里的对话框走出来，成为各行各业触手可及的超级生产力工具。