Qwen3-Omni-Flash: Новый лидер в мире мультимодальных моделей
Alibaba представила обновленную мультимодальную модель Qwen3-Omni-Flash, способную обрабатывать текст, изображения, аудио и видео, а также генерировать голосовые ответы в реальном времени. Новая модель демонстрирует впечатляющие результаты, конкурируя и превосходя лидеров рынка, таких как Gemini 2.5 Pro и GPT-4o.
В тестах на распознавание речи (ASR) Qwen3-Omni-Flash показала более высокую точность по сравнению с конкурентами как на английском, так и на китайском языках. Особенно заметно превосходство модели в распознавании вокала в музыкальных композициях. По мультиязыковому бенчмарку Fleurs и видео-задачам Qwen также демонстрирует сильные результаты, обгоняя Gemini 2.5 Flash.
Обновление расширило выбор поддерживаемых голосов до 49, предлагая разнообразные “персонажи” с уникальными характеристиками. Модель поддерживает 10 языков озвучки и 19 языков для распознавания речи, включая русский. Разработчики отмечают значительное улучшение способности модели следовать инструкциям.
Qwen3-Omni-Flash предлагает конкурентоспособные цены: $0,43 за миллион входных токенов и $2 за миллион выходных, что значительно ниже, чем у GPT-4o и Gemini 2.5 Pro. Модель обладает большим контекстным окном – до 65 тысяч токенов. Доступ к Qwen3-Omni-Flash осуществляется через Qwen API и сервисы Alibaba Cloud.
В общем, похоже, что пока мы тут спорим о превосходстве одной нейросети над другой, китайские разработчики просто тихо и эффективно строят будущее ИИ, которое, вероятно, окажется совсем не таким, каким мы его себе представляли. Ну что ж, запасаемся попкорном и наблюдаем.
