阿里发布Qwen3.5-Omni全模态大模型 斩获215项全球评测SOTA

2026年3月30日，阿里正式推出新一代全模态大模型Qwen3.5-Omni。该模型原生支持文本、图片、音视频多模态输入，适配256k长上下文与最长10小时音频输入，实测可完整理解50分钟《老友记》剧情，在全球215项权威评测中拿下SOTA，部分性能表现超过谷歌Gemini 3.1 Pro。

不少用户此前测试全模态大模型时都遇到过类似尴尬：上传一段10分钟以上的视频，模型要么只能提炼出大概剧情，要么对细节问题频频出错。而在Qwen3.5-Omni的实测中，研究人员将整集50分钟的《老友记》无剪辑上传，模型不仅能完整复述整集剧情脉络，还能精准回答“第12分钟莫妮卡和瑞秋吵架的导火索是什么”“钱德勒全程一共说了多少句冷笑话”这类细节问题，准确率达到95%以上。

距离阿里上次更新Omni系列全模态模型仅过去半年，本次推出的Qwen3.5-Omni在架构上放弃了传统多模态模型“分模块处理再拼接”的方案，采用统一的原生全模态架构，对不同类型输入的处理效率和准确率都有大幅提升。

本次发布的Qwen3.5-Omni共包含Plus、Flash、Light三种尺寸，覆盖云端推理、低成本部署、端侧落地三类场景，全系标配256k长上下文窗口，最长可支持10小时连续音频输入，同时支持文本、语音双模态输出，用户既可以要求模型输出文字总结，也能直接生成对应风格的语音内容。

根据官方披露的测试数据，Qwen3.5-Omni在视觉理解、语音识别、长时序内容推理、跨模态关联等核心赛道的215项全球权威评测中拿下SOTA（最优表现），部分核心指标已经超过谷歌最新发布的Gemini 3.1 Pro，跻身全球全模态大模型第一梯队。

业内人士分析，此前海外厂商在全模态赛道长期保持领先优势，但国内大模型厂商在长上下文、多模态理解等场景的本土化优化进展更快，本次Qwen3.5-Omni的发布也进一步缩小了国内外大模型的技术差距。

10小时级的音频/视频处理能力，也让全模态大模型的商用落地边界进一步拓宽。相较于此前行业普遍支持的1-2小时音频输入，Qwen3.5-Omni可以直接处理完整的会议录音、公开课全集、影视剧单集内容，无需提前分片切割，处理效率提升超过400%。

从落地场景来看，高性能的Plus版本可用于长视频审核、专业内容生产等对精度要求较高的场景，轻量的Flash和Light版本则可以部署在智能终端、智能家居设备上，为端侧智能助手提供更流畅的交互体验。