阿里发布千问Qwen3.5-Omni 215项SOTA超越Gemini登顶全模态赛道

2026年3月30日，阿里巴巴正式发布新一代全模态大模型千问Qwen3.5-Omni。该模型搭载混合注意力MoE架构，支持图片、视频、语音、文字全模态无缝交互，在音视频理解、识别等215项测试任务中拿下SOTA，性能大幅领先Google Gemini-3.1Pro，标志国产大模型在视听交互领域达到全球顶尖水平。

国内大模型产业的追赶式发展，终于在全模态赛道实现了历史性反超。在3月30日的阿里千问年度发布会上，官方披露的测试数据显示，Qwen3.5-Omni在DailyOmni、QualcommInteractive等多个聚焦真实场景视听交互的权威测试集中，平均得分较Google Gemini-3.1Pro高出7.2个百分点，即便是在嘈杂背景、低清音视频的极端测试条件下，识别准确率仍比竞品高出12%。

近两年大模型的迭代方向已经从单一的文字处理能力，转向对多类型信息的综合理解能力。全模态大模型能够同时理解和输出文字、图像、音频、视频等不同形式的信息，交互逻辑更接近人类的自然感知方式，也被认为是下一代智能设备的核心交互入口。

此前该领域的技术优势始终掌握在海外厂商手中，OpenAI的GPT-4o、Google的Gemini系列长期占据各类测试榜榜首，国产大模型大多处于追平阶段，尚未实现实质性的性能超越。

此次Qwen3.5-Omni能够拿下215项SOTA（当前最优性能），核心得益于其采用的混合注意力MoE架构。