阿里狂揽200多项SOTA，Qwen3.5-Omni多模态超越Gemini 3.1 Pro

3月30日消息，阿里今日正式发布千问新一代全模态大模型Qwen3.5-Omni。

据悉，Qwen3.5-Omni采用混合注意力MoE架构，可实现图片、视频、语音、文字等全模态内容的输入与输出。

在音视频理解、识别、交互等215项任务中，Qwen3.5-Omni取得SOTA（性能最佳），超越Gemini-3.1 Pro，成为目前全球最强的全模态大模型之一。

例如在聚焦视听交互能力的DailyOmni、QualcommInteractive、Omni Cloze等测试中，Qwen3.5-Omni得分大幅领先Gemini-3.1 Pro。

在检测嘈杂环境抗干扰能力的WenetSpeech测试中，Qwen3.5-Omni错误率远低于Gemini，识别准确率极高。

在考察多语言语音生成质量的Multi-Lingual (30lang) 测试中，Qwen3.5-Omni同样显著优于Gemini-2.5-Pro-TTS。

目前，Qwen3.5-Omni拥有极强的音视频理解与实时交互能力，能够对音视频内容生成详细且可控的结构化描述。

新模型支持113种语言及方言的语音识别和36种语言及方言的语音生成，就连使用人数不足一百万的毛利语和国内的海南方言，也能精准识别。

同时，基于一系列技术创新，Qwen3.5-Omni还将Vibe Coding能力推入下一阶段。

与纯文本或图片驱动的Vibe Coding不同，千问可以实现音视频编程：打开摄像头，用户对着草图口述需求，哪怕是包括复杂产品逻辑的描述，模型也能直接生成带有复杂UI的产品原型界面，真正实现“动动嘴即可编程”。

而Qwen3.5-Omni顶尖的全模态能力，还能为专业领域带来超级生产力。

新模型可对画面主体、人物关系、对话逻辑、乃至人物情绪起伏进行极细的拆解，并自动完成视频章节切片与时间戳标注，支持超过10小时的音频输入。

目前，阿里云百炼已上新Qwen3.5-Omni的Plus、Flash、Light三种API，可广泛应用于短视频/直播平台、游戏、自媒体等行业。

普通用户可前往Qwen Chat免费体验，开发者和企业可通过阿里云百炼平台调用Qwen3.5-Omni模型，每百万Tokens输入不到0.8元，比Gemini-3.1 Pro的1/10还低。

当前，千问已稳居中国企业级大模型调用市场第一，服务涵盖互联网、金融、消费电子及汽车等重点行业超100万家客户。