2026年3月，Qwen3.5-Omni正式发布，具备‘全模态’原生能力，支持文本、图片、音频及音视频输入，可生成带时间戳的音视频脚本。该模型拿下215项SOTA，性能与Gemini 3.1 Pro相当，在音频理解、推理等领域全面超越后者。其新增vibe coding功能，可在视频通话中实时生成代码或前端原型，并支持语义打断、音色克隆等交互能力。实测显示，Qwen3.5-Omni能精准分析复杂视频、解读学术论文、完成网页设计，表现出色。模型采用Thinker-Talker架构，结合Hybrid-Attention MoE技术，实现高效多模态处理与自然语音输出。目前，用户可通过Qwen Chat或阿里云API体验该模型。

3月30日，阿里发布新一代全模态大模型Qwen3.5-Omni，在音视频理解、跨模态推理等215项任务中取得SOTA，超越Gemini-3.1 Pro，成为全球最强全模态模型之一。该模型支持113种语言及方言识别，具备音视频Vibe Coding能力，可基于用户口述需求生成复杂产品代码。采用混合注意力MoE架构，Qwen3.5-Omni在DailyOmni、WenetSpeech等多项测试中表现优异，抗干扰能力强，多语言语音生成质量领先。此外，模型能实时交互、调用工具，并精准拆解音视频内容，适用于短视频、直播、游戏等行业。目前，开发者可通过阿里云百炼平台调用，每百万Tokens成本不到0.8元，已服务超100万家企业客户。

3月30日，阿里千问正式上线全模态大模型Qwen3.5-Omni。该系列包含Plus、Flash、Light三种尺寸的Instruct版本，支持256k长上下文，可处理超10小时音频输入及400秒以上的720P音视频输入。模型基于海量文本、视觉及超1亿小时音视频数据进行多模态预训练，具备卓越的全模态感知与生成能力。相比前代Qwen3-Omni，新模型多语言能力显著提升，支持113种语种和方言的语音识别以及36种语种和方言的语音生成，进一步拓展了其全球化应用潜力。