阿里通义实验室宣布全模态大模型 Qwen3.5-Omni 系列上线，包含 Plus、Flash、Light 三种尺寸的 Instruct 版本。
核心亮点速览
- 真正的“全模态”原生，无缝理解文本、图片、音频及音视频输入，支持细粒度、带时间戳的音视频 Caption 生成；
- 215 项 SOTA 霸榜，在音频及音视频分析、推理、对话、翻译等任务超过 Gemini3.1-Pro；
- 自然涌现的 Audio-Visual Vibe Coding 能力；
- 支持语义打断、音色克隆及语音控制，让对话体验更自然；
- 支持 256K 超长上下文与 113 种语言识别，可处理 10 小时音频或 1 小时视频。
- 原生支持 WebSearch 和复杂 Function Call，不仅能聊天，更能帮你做事。
根据介绍，Qwen3.5-Omni 延续了上一代的 Thinker-Talker 分工架构——Thinker 负责理解，Talker 负责表达。但这一次，两者都升级为 Hybrid-Attention MoE，效率和性能均有显著提升。
![]()
- Thinker：接收视觉+音频信号，通过 TMRoPE 编码位置信息，输出文本。Hybrid-Attention 让它在处理 10 小时长音频、1小时视频时，依然能快速抓住重点。
- Talker：接收 Thinker 的多模态输出，进行 contextual 语音生成，用 RVQ 编码替代繁重的 DiT 运算。配合全新的 ARIA 技术，动态对齐文本和语音单元，解决了偶尔漏字、数字念不清的问题。你说“大声点、开心一点”，它当场就改。
- 而 MoE 的本质是“专家混合”——听音频的专家、看视频的专家、理解文本的专家各司其职，不会互相干扰。这就是为什么它能做到 215 项 SOTA 的同时，文本和视觉能力还能保持和单模态模型一样强。
相比上一代，Qwen3.5-Omni 在长上下文、多语言、音视频理解能力上都有明显提升，同时新增了语义打断、音色克隆、语音控制等实时交互能力，让对话体验更接近真人。配合 ARIA 技术，语音输出的稳定性和自然度也进一步改善。详细对比见下表：
![]()
Qwen3.5-Omni-Plus 在音频/音视频的理解、推理和交互任务上，共取得 215 项 SOTA 成绩，涵盖音视频、音频、语音识别、语音翻译等多个方向。
其中，通用音频理解、推理、识别、翻译、对话全面超越 Gemini-3.1 Pro，音视频理解能力总体达到 Gemini-3.1 Pro 水平。同时，视觉和文本能力与同尺寸 Qwen3.5 模型持平。
