Qwen3.5-Omni 技術報告發佈：百億參數多模態模型達到業界最強水準

阿里開源團隊正式發佈 Qwen3.5-Omni，這是 Qwen-Omni 模型家族的最新進展。該模型規模達到數百億參數，支援 256k 上下文長度，並利用包含異質文字 - 視覺對以及超過 1 億小時音視頻內容的大規模數據集，展現出強大的多模態能力。

在性能表現上，Qwen3.5-Omni-plus 在 215 個音頻和音視頻理解、推理及互動子任務與基準測試中達到業界最強（SOTA）水準。該模型在多項關鍵音頻任務上超越 Gemini-3.1 Pro，並在綜合音視頻理解方面與 Gemini-3.1 Pro 持平。架構方面，Qwen3.5-Omni 採用混合注意力機制與專家混合（MoE）框架，同時應用於 Thinker 和 Talker 模組，以實現高效的長序列推理。

該模型支援超過 10 小時的音頻理解以及 400 秒的 720P 視頻（1 FPS）理解。針對流式語音合成中因編碼效率差異導致的不穩定和不自然問題，團隊引入 ARIA 技術。ARIA 動態對齊文字和語音單元，顯著提升了對話語音的穩定性和語調，同時將延遲影響降至最低。

在語言與功能擴展上，Qwen3.5-Omni 支援 10 種語言的理解與語音生成，具備人類般的情感細微差別。模型展現出優異的音視頻錨定能力，能生成具有精確時間同步的腳本級結構化字幕，並實現自動場景分割。研究還觀察到多模態模型出現了一種新能力：直接根據音視頻指令執行編碼，即「Audio-Visual Vibe Coding」。