Alibaba выпустила модель Qwen 3.8-Omni-Flash, которая одновременно анализирует видео, изображения, аудио и текст

Она разработана для создания мультимодальных ИИ-агентов.

Источник: Alibaba

Qwen 3.8-Omni-Flash — первая мультимодальная «рассуждающая» модель компании с упором на агентские возможности, заявляют разработчики.
Она может одновременно анализировать текст, изображения, аудиозаписи, видео (длиной около одного часа) и вызывать инструменты для работы с ними. Например, чтобы монтировать ролики, расшифровывать встречи или переводить фильмы, добавляя субтитры. Контекстное окно модели — 1 млн токенов.

Модель доступна бесплатно в чат-боте Qwen, на облачной платформе для разработчиков QwenCloud и в API Alibaba.
Qwen3.8-Omni-Flash разработали, чтобы пользователи могли собирать мультимодальных агентов на её базе. Например, агент сможет проанализировать фильм, сделать к нему примечания, перевод, клонировать голоса актёров и сгенерировать аудиодорожку на нужном языке с помощью сторонних инструментов.
Также агент может пригодиться для расшифровки созвонов, говорят в компании. Модель распознаёт участников и разные голоса.
Компания выложила набор открытых плагинов Qwen-MM-Plugins, которые, например, позволяют ИИ-агенту транскрибировать речь, распознавать говорящих и анализировать события в видео. Также скоро обещают опубликовать готовую «обвязку» Qwen-Live Harness.
По возможностям работы с аудио и видео Qwen3.8-Omni-Flash приблизилась к Gemini 3.8 Flash от Google, по данным собственных тестов Alibaba.

#новости