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。

和传统多模态模型先将音视频、图像信息转化为文本再进行处理的逻辑不同，新架构实现了不同模态信息的原生并行处理，大幅降低了信息转换过程中的精度损耗。官方数据显示，215项SOTA覆盖了图像细粒度识别、长视频动作理解、复杂环境语音识别、多轮跨模态交互等多个细分领域，几乎实现了全模态赛道的全面霸榜。

性能的跨越式提升，也为全模态大模型的落地打开了新的想象空间。据阿里千问团队透露，Qwen3.5-Omni的轻量化版本已经可以实现端侧部署，后续将率先应用在阿里生态内的智能办公、车载交互、电商导购等场景，同时也会对外开放API接口，降低中小开发者搭建全模态应用的技术门槛。

有行业分析师指出，此次国产大模型在全模态赛道的领跑，不仅是技术研发能力的有力证明，也将为国内智能硬件、无障碍服务、工业检测等相关产业的发展提供底层技术支撑，有望带动整个AI应用生态的进一步繁荣。