علي بابا تطلق Qwen3.5-Omni: نموذج أصلي متعدد الوسائط للنص والصوت والفيديو

كشفت Alibaba عن Qwen3.5-Omni، وهو نموذج أصلي شامل متعدد الوسائط يفهم النص والصور والصوت والفيديو ضمن بنية واحدة، ويستطيع الرد بالصوت في الوقت الفعلي.

كيف صُمّم النموذج

الفكرة الرئيسية في Qwen3.5-Omni أنه ليس مجموعة نماذج منفصلة رُبطت فوق نواة نصية، بل منظومة واحدة صُمّمت منذ البداية للتعامل مع عدة أنواع من البيانات. وتضع Alibaba هذا النهج في مقابل الصيغة القديمة للتعددية الوسائطية، التي كانت تكتفي فيها بـ«إلحاق» الرؤية أو الصوت بنموذج لغوي كبير (LLM) عبر مشفّرات (encoders) خارجية.

والفرق مهم للمطورين: فالبنية الأصلية عادةً ما تحافظ على السياق بين القنوات بصورة أفضل، وتربط الكلام بالصورة بدقة أكبر، وتتوسع بسهولة أكبر في السيناريوهات الواقعية مثل المكالمات وتحليلات الفيديو والمساعدات الصوتية.

يصف التقرير التقني Qwen3.5-Omni بأنه نموذج من عائلة النماذج الشاملة متعددة الوسائط، ببنية Hybrid Attention Mixture-of-Experts تعمل عبر مسارين هما Thinker وTalker. يتولى الأول الفهم والاستدلال، ويتولى الثاني الرد الصوتي المتدفق. وتذكر Qwen أن النموذج دُرّب على أزواج غير متجانسة من النص والصورة، وعلى أكثر من 100 مليون ساعة من البيانات السمعية البصرية.

أما السياق المعلن فيبلغ 256 ألف رمز (token)، ما يعني أن الجلسة الواحدة قد تشمل محادثات طويلة جداً وتسجيلات اجتماعات ومحاضرات ولقطات شاشة ومقاطع فيديو، دون الحاجة إلى تقسيمها إلى عشرات الطلبات الصغيرة.

تصدر السلسلة بعدة إصدارات: Plus وFlash وLight. وهذا يشير إلى منطق مألوف في خطوط المنتجات: أقصى جودة للمهام المعقدة، ونمط سريع للسيناريوهات التفاعلية، وإصدار أخف لتوفير الموارد الحاسوبية. وتؤكد Alibaba بشكل خاص على العمل في الوقت الفعلي: إذ يستطيع Qwen3.5-Omni بث إجابته نصاً وكلاماً طبيعياً، بينما تتولى آلية ARIA توليد صوت أكثر ثباتاً وسلاسة عبر مواءمة ديناميكية بين الوحدات النصية والوحدات الكلامية.

أبرز إمكانات الإصدار

وفق التقرير التقني، يحقق Qwen3.5-Omni-Plus أفضل النتائج في 215 مهمة ومعياراً مرتبطة بالفهم الصوتي والسمعي البصري والاستدلال والتفاعل. وتشدد Qwen على أن النموذج يتفوق على Gemini 3.1 Pro في المهام الصوتية الرئيسية، ويقف عند مستوى مماثل في الفهم السمعي البصري المركّب.

وبالنسبة إلى Alibaba، هذه رسالة مهمة للسوق: فالمنافسة في قطاع النماذج متعددة الوسائط القوية لم تعد محصورة في OpenAI وGoogle، والمختبرات الصينية تطمح إلى الريادة تحديداً في أصعب الأنماط: الصوت والفيديو والحوار المباشر.

• نافذة سياق 256k
• أكثر من 10 ساعات من الصوت في جلسة واحدة
• أكثر من 400 ثانية من فيديو 720p بمعدل 1 FPS
• إصدارات Plus وFlash وLight
• تعليقات توضيحية منظمة تتضمن المشاهد والتوقيتات

ومن النقاط القوية الأخرى في الإصدار التعامل مع وصف الصوت والفيديو. إذ يتحدث التقرير عن تعليقات توضيحية منظمة بمستوى السيناريو: يستطيع النموذج بناء أوصاف تفصيلية بتزامن زمني دقيق وتقسيم تلقائي إلى مشاهد. وهذا مفيد لأرشيفات الوسائط، وكذلك للبحث في قواعد الفيديو وتحليل المكالمات والتدريب وسيناريوهات إتاحة المحتوى ومراقبة جودته. وعملياً، تدفع Alibaba بـ Qwen3.5-Omni نحو أن يكون طبقة فهم شاملة لأي صيغة وسائط، لا مجرد «روبوت دردشة يسمع أيضاً».

ويلفت الباحثون كذلك إلى ظهور قدرة جديدة يسمونها Audio-Visual Vibe Coding. ويقصدون بها البرمجة المباشرة بناءً على تعليمات سمعية بصرية: إذ يستطيع النموذج تفسير الطلب النصي، وكذلك الشرح الصوتي مقترناً بالسياق البصري. ولا يزال هذا إشارة بحثية أكثر منه منتجاً جماهيرياً جاهزاً، لكن الاتجاه لافت. فإذا ترسخت هذه الأنماط، سيتمكن المطور من الاستغناء عن إعادة كتابة تقرير الخلل يدوياً: يكفي أن يعرض الواجهة ويشرح المشكلة بصوته ليحصل على مسودة عملية للحل.

ماذا يعني ذلك

يُظهر Qwen3.5-Omni أن المرحلة التالية من سباق الذكاء الاصطناعي لن تدور حول روبوت دردشة نصي آخر، بل حول نماذج تتعامل بالثقة نفسها مع الصوت والصورة والفيديو والكلام في تدفق واحد. وبالنسبة إلى الشركات، يفتح ذلك الطريق أمام منتجات أكثر تكاملاً: وكلاء صوتيون، وتحليل للاجتماعات، وبحث في الوسائط، وواجهات تفهم النص وكل ما يعرضه المستخدم وينطق به.