이번 모델은 기존처럼 인코더를 덧붙인 래퍼형이 아니라, 엔드투엔드 옴니모달 구조가 핵심이에요

알리바바 Qwen 팀이 텍스트·이미지·오디오·비디오를 한 파이프라인에서 동시에 처리하는 Qwen3.5-Omni를 공개했어요.

이번 모델은 기존처럼 인코더를 덧붙인 래퍼형이 아니라, 엔드투엔드 옴니모달 구조가 핵심이에요. Gemini 3.1 Pro 경쟁작으로 포지셔닝됐고, Thinker-Talker 아키텍처와 Hybrid-Attention MoE로 대규모 컨텍스트와 실시간 상호작용을 함께 노렸거든요.

라인업도 Plus·Flash·Light 3종으로 나뉘어요. Plus는 고난도 추론, Flash는 고처리량·저지연, Light는 효율 중심이고요. 특히 자체 Audio Transformer 인코더를 쓰면서 1억 시간 이상 오디오-비주얼 데이터로 사전학습해 시간적·음향적 이해를 강화했어요.

멀티모달 AI가 “붙이는 방식”에서 “처음부터 통합 설계”로 넘어가는 전환점이라, 실시간 AI 제품 경쟁이 더 빨라질 가능성이 커 보여요.