3月31日上午消息，阿里發布千問新一代全模態大模型Qwen3.5-Omni，宣布在音視頻理解、識別、交互等215項任務中取得SOTA（性能最佳），超越Gemini-3.1 Pro，成為目前全球最強的全模態大模型之一。

據悉，該模型擁有極強的音視頻理解與實時交互能力，能夠對音視頻內容生成詳細且可控的結構化描述，可識別語言和方言數量多達113種，還涌現出了音視頻Vibe Coding能力，用戶對著鏡頭闡述需求，就能讓模型自主生成App、網頁、游戲等復雜產品代碼。目前，阿里云百煉已上新Qwen3.5-Omni的Plus、Flash、Light三種API，可廣泛應用于短視頻/直播平臺、游戲、自媒體等行業。

Qwen3.5-Omni采用混合注意力MoE架構，在海量文本、視覺以及超過1億小時的音視頻數據上進行了原生多模態預訓練，可實現圖片、視頻、語音、文字等全模態內容的輸入與輸出。新模型在音視頻理解、跨模態推理、Agent方面實現了性能飛躍，在音視頻理解、語音識別、多語種翻譯、對話等215項第三方性能測試任務中取得SOTA。

例如，在聚焦視聽交互能力的DailyOmni、QualcommInteractive、Omni Cloze等測試中，Qwen3.5-Omni得分領先Gemini-3.1 Pro；在檢測嘈雜環境抗干擾能力的WenetSpeech測試中，Qwen3.5-Omni錯誤率遠低于Gemini，識別準確率極高；在考察多語言語音生成質量的Multi-Lingual （30lang） 測試中，Qwen3.5-Omni同樣顯著優于Gemini-2.5-Pro-TTS。

此外，與純文本或圖片驅動的Vibe Coding不同，千問還可以實現音視頻編程：打開攝像頭，用戶對著草圖口述需求，哪怕是包括復雜產品邏輯的描述，模型也能直接生成帶有復雜UI的產品原型界面，真正實現“動動嘴即可編程”。這一能力并非刻意設計，而是模型在原生多模態能力持續擴展過程中自然涌現出的結果。

目前，普通用戶也可前往Qwen Chat免費體驗，開發者和企業可通過阿里云百煉平臺調用Qwen3.5-Omni模型，每百萬Tokens輸入不到0.8元，比Gemini-3.1 Pro的1/10還低。