Qwen 3.5-Omni 凭借 215 项 SOTA 纪录刷新历史，开启全感官 AI 时代

首页

新闻

2026-04-06

MichaelMartinez

123

昨晚，同益实验室正式发布了全新的多模态大模型Qwen3.5-Omni。与前代模型相比，该模型在理解、交互和任务执行方面实现了重大飞跃，将人工智能从“局限于屏幕的助手”转变为“能够理解物理世界的智能代理”。

核心突破：全模态处理与215项SOTA基准

Qwen3.5-Omni采用原生“全模态”架构，能够无缝处理文本、图像、音频和视频。在涵盖视听分析、推理、对话及翻译的各项评估中，该模型共取得215项最先进（SOTA）成绩。值得注意的是，其通用音频理解与识别能力已超越Gemini-3.1Pro等模型，而视觉与文本处理性能仍保持顶尖水平，与同等规模的Qwen3.5模型表现相当。

技术架构：混合注意力MoE

该模型在经典的“思考者-说话者”（Thinker-Talker）框架基础上进行了基础架构的全面革新：

Thinker（理解中心）：升级为混合注意力专家混合（MoE）架构，支持长达256K令牌的超长上下文。这使其能够处理长达10小时的音频或1小时的视频，并借助TMRoPE技术在冗长序列中精准捕捉细微细节。

Talker（表达中心）：整合了全新的ARIA技术和RVQ编码，取代了计算成本高昂的DiT处理流程。这不仅解决了词语遗漏和数字发音错误等常见的音频生成问题，还赋予了模型强大的实时语音控制能力。

实际应用：从氛围编码到语音克隆

Qwen3.5-Omni 的能力催生了多种变革性的应用场景：

自然涌现的氛围编码：该模型无需专门训练即可展现出色的代码理解与生成能力，能够直接根据视频逻辑生成 Python 代码或前端原型。

类人实时交互：支持语义中断。它能区分背景噪音（如咳嗽）与有意中断，用户可通过简单指令调整语调（例如“开心”）和音量。

精细化视频分析：可生成结构化、带时间戳的字幕，精准识别视频中的动作、背景音乐变化及镜头切换。

个性化语音克隆：用户只需上传一段简短的音频样本，即可创建高度自然的个性化“数字声音”，支持113种语言。

Qwen3.5-Omni 现已在阿里云白莲平台上线，提供 Plus、Flash 和 Light 三个版本。此外，用户还可通过 ModelScope 社区访问实时对话（Realtime）API 和演示。

Anthropic的收入大幅增长，其市值接近万亿美元大关有报告显示，Anthropic在短短几个月内就实现了显著的收入增长。该公司的年化收入现已超过300亿美元，这一数字是去年底时的三倍多。这种增长可能会让Anthropic在竞争中略占优势，不过直接进行比较并不容易。其主要推动力在于Claude Code和Cowork产品，以及其推理模型的代币销售量增加。更值得注意的是，Anthropic的利润率也有了显著提升。该公司的毛利率从2024年的-94%上升到了2025年的+40%，而年化收入也从不到10亿美元增长到了90亿美元。正是这种发展势头，使得A

苹果移除了Cal AI应用程序，原因是该应用存在未经授权的店内购买行为以及欺诈性计费问题。苹果最近移除了MyFitnessPal中颇受欢迎的人工智能食物追踪应用Cal AI，这一举动凸显了其对App Store关于外部支付和订阅政策的严格执行。该应用每年能带来5000万美元的重复收入，曾因违反多项开发者指南而被暂时下架，但在解决了相关问题后已重新上线。有报道称，尽管Epic Games诉苹果的案件允许美国开发者链接到外部支付系统，但苹果指出Cal AI存在严重的合规问题。其主要违规行为在于：该应用试图通过嵌入Stripe等第三方支付流程来绕过苹果的应用内购买机制以解锁数字内容，却未

Github Copilot的基于令牌的计费方式引发了开发者的强烈不满微软GitHub Copilot的黄金时代可能即将结束，尤其是对个人用户而言。该公司正从统一的订阅费模式转向基于代币的计费方式，这可能会大幅增加使用成本。虽然大型企业或许还能承受这种变化，但小型企业和自由职业者可能会发现新的收费机制让他们的月预算难以承受。这些变更将于6月1日正式生效，届时用户将按照工作中消耗的代币数量来支付费用，而不再是按每次请求收取固定费用。一些开发者受到这一财务变动的影响，在Reddit和X平台上表达了他们对这种看似过高的成本增加的担忧。一位Redditor最近写道：“

相关专题推荐

图像编辑