阿里刚刚发布的 Qwen3.5-Omni，不是简单的“能看图、能听音”，而是把文本+图像+音频+视频真正做成一个统一系统——而且是实时交互级别。千问全模态大模型
几个比较重要的点：1️⃣ 全模态能力直接对标顶级闭源模型在音视频理解、交互等 215项任务拿下SOTA，甚至超过Gemini 3.1 Pro，基本进入全球第一梯队
2️⃣ 不是“能看”，而是“能理解+能结构化输出”可以对视频内容生成可控的结构化描述（视频小于100M）
3️⃣ 实时语音/视频交互能力成核心突破支持10小时音频、400秒视频输入（7分钟），并能实时理解+生成，直接指向“AI实时助手”场景
4️⃣ 多语言能力极端强化语音识别覆盖113种语言/方言，语音生成36种，全球化能力明显增强
5️⃣ 架构层升级：Thinker + Talker 双系统基于Hybrid-Attention MoE，把“思考”和“表达”拆开，本质是在做更接近人类的多模态认知系统
6️⃣ 成本直接打穿商业化门槛API调用价格采取阶梯计费模式，在常用的输入≤128k场景下，其音频输入价格为4.96元/百万tokens，文本/图片/视频输入价格为0.8元/百万tokens。模型的输出价格为61.322元/百万tokens（文本+音频），仅输出文本时的价格为9.6元/百万tokens
