阿里开源全模态大模型AI音视图文打通了阿里Qwen开源全模态大模型Qwen3-O

阿里开源全模态大模型AI音视图文打通了

阿里Qwen开源全模态大模型Qwen3-Omni，图、文、音、视频，我全都要。

这个事有多恐怖呢？你可以输入音频、图像、文字、视频，甚至是它们的混合！

比如，有时你想输入一张图片和一段视频，让大模型帮你分析出图片变视频的Prompt；

再比如，你想输入一段音频和一段视频，然后找出音频中的台词在视频中的具体位置。

总之，它是目前唯一原生端到端支持多模态输入输出的大模型架构，尚未被发现的玩法有很多。

此次开放的模型包括：

- Qwen3-Omni-30B-A3B-Instruct（指令跟随）

- Qwen3-Omni-30B-A3B-Thinking（中间层输出）

- Qwen3-Omni-30B-A3B-Captioner（音视频理解）

其他亮点总结如下：

- 超低延迟：211ms响应速度，能连续理解长达30分钟的音频

- 自带工具调用功能，可按需接入外部系统能力

这不仅是一次AI多模态融合的技术突破，也是在全球开源AI竞速中，中国团队的又一次“抢发车”。

体验入口已上线：chat.qwen.ai/?models=qwen3-omni-flash

GItHub：github.com/QwenLM/Qwen3-Omni