多模态不是拼模块，千问新模型证明了最关键的一件事

林俊旸离职了，但 Qwen 不能停。最近 Qwen3.5-Omni 发布，一个原生全模态大模型，文本、图片、音频、视频的理解与生成，集于一身。

这不是第一个试图「什么都做」的模型。过去两年，多模态是所有大模型公司都在讲的故事。大多数方案的本质是拼接：语音进来先转文字，文字处理完再转语音，图片走一条独立通道，视频又是另一条。模块之间的信息在翻译中不断损耗。

Qwen3.5-Omni 走了另一条路。它的 Thinker-Talker 架构让所有模态在同一个模型内原生处理——Thinker 负责跨模态的深度推理，Talker 负责实时语音输出，两者共享同一套表征空间。

结果是：在音频、视频、推理和交互任务上拿下 215 项子任务的 SOTA 成绩，音频理解/推理/识别/翻译/对话全面超越 Gemini-3.1 Pro，同时视觉和文本能力保持同尺寸 Qwen3.5 的水平，没有退化。

比数字更值得看的，是 Qwen 团队在发布页上放出的那批演示视频，不是做题，也不是跑分，而是在展示「和 AI 互动」这件事可以是什么样。

看见你看见的

Qwen3.5-Omni 处理视频素材是多管齐下：自动切片，标注时间戳，识别画面中的人物、动作与空间关系，同时分析音轨中的背景音效和对话内容。模型真正在做的，对时间线上视听信息的同步解析。像下面的视频片段来自《舌尖上的中国》，3.5-Omni 能生成的是结构化的细粒度描述。

更复杂的场景里，模型处理的是电影片段：多人、多镜头、复杂音效叠加。它能区分不同角色的对话，识别背景音乐的情绪色彩，描述镜头调度和场景切换。

这些能力可以用在什么场景下呢？一个偏向应用的演示是内容合规审查：给模型一段游戏视频，它自动按时间段输出违规类型、风险等级和具体描述，生成完整的合规预警摘要表。传统方案需要人工逐帧审核，这里模型直接给出结构化结果。

听懂你说的

如果说上面的演示展示的是模型「看」的能力，下面这组则展示了它「进入场景」的能力。

博客上的一个演示是多轮对话与智能打断：用户举着手机和模型共读一篇论文，随时插话提问。模型基于 Omni 架构原生支持语义打断，区分用户的有意打断和无意义的背景音，不会在你清嗓子的时候停下来。这依赖于模型对 turn-taking 意图的实时识别，而不是简单的音量阈值检测。

另一个令人印象深刻的演示是歌词字幕生成：一首糅合了多种方言的 rap 被送入模型，输出是带精确时间戳的逐句歌词。并且没有「翻译」的调整，比如在识别粤语歌词时，返送的就是粤语行文，没有自作主张转换成普通话。Qwen3.5-Omni 支持 113 种语言的语音识别和 36 种方言的语音生成，这个覆盖面本身就是一个值得注意的信号。

模型在海量文本、视觉以及超过1亿小时的音视频数据上进行原生多模态预训练。相比上一代 Qwen3-Omni，多语言能力大幅增强：语音识别从此前的版本跃升至 113 种语言，语音生成覆盖 36种方言。

从「看视频」到「写代码」

最出人意料的一组演示来自 Qwen 团队称为「Audio-Visual Vibe Coding」的能力。

第一个案例：用户展示一段音乐游戏的视频，模型观察游戏画面和音效后，直接生成可运行的游戏代码。不是描述游戏逻辑，而是写出代码。

第二个案例更接近实际产品开发：用户展示一个产品原型的演示视频，模型将视觉设计和交互逻辑转化为前端代码。

Qwen 团队在技术报告中指出，这种「看视频写代码」的能力并不在模型的训练目标中——它是原生多模态 Scaling 过程中涌现出来的。当视觉、听觉和语言的表征被联合训练到足够深度时，模型自发地学会了在模态之间建立因果关系，而不仅仅是相关性。

支撑这些能力的，是 Qwen3.5-Omni 的 Hybrid-Attention MoE 架构，在同一潜空间内联合训练所有模态的 token。这意味着模型在「思考」时，文字、图像、声音是同一种东西，不存在模态间的翻译损耗。

以往的语音大模型要么思考慢但回答深，要么响应快但内容浅。但今天 Qwen 发布的这些演示视频，比任何 benchmark 数字都更能说明，全模态 AI 在 2026 年能做到什么。

文章来自于微信公众号 "APPSO"，作者 "APPSO"