이 모델은 텍스트·이미지·오디오·비디오를 함께 처리하고, 최대 25만6천 토큰 컨텍스트를 지원해요

알리바바 Qwen3.5-Omni가 음성 지시와 영상만으로 코드 작성까지 해내면서, 멀티모달 AI의 경계를 한 번 더 밀어냈어요.

이 모델은 텍스트·이미지·오디오·비디오를 함께 처리하고, 최대 25만6천 토큰 컨텍스트를 지원해요. 1억 시간 이상 시청각 데이터로 사전학습됐고, 10시간+ 오디오와 720p 영상 400초 이상(1fps)도 다룰 수 있다고 밝혔어요.

성능 수치도 강해요. Qwen3.5-Omni-Plus는 오디오 이해 MMAU 82.2(제미니 3.1 Pro 81.1), 음악 이해 72.4(59.6), VoiceBench 대화 93.1(88.9)을 기록했어요. 음성 생성 seed-hard WER도 6.24로 GPT-Audio 8.19보다 낮았어요.

핵심은 “코드 학습을 따로 시키지 않았는데도” 음성·영상에서 코딩 능력이 emergent하게 나타났다는 점이에요. 앞으로 인터페이스 설계 자체가 텍스트 중심에서 멀티모달 중심으로 바뀔 신호로 보여요.