Alibaba lance Qwen3.5-Omni, un modèle multimodal natif pour le texte, l'audio et la vidéo
Alibaba a présenté Qwen3.5-Omni, un nouveau modèle omnimodal qui traite texte, images, audio et vidéo sans assemblage de modules distincts. La série comprend les versions Plus, Flash et Light, prend en charge un contexte de 256k et gère plus de 10 heures d'audio ou 400 secondes de vidéo en 720p. Dans son rapport technique, Qwen affirme que le modèle surpasse Gemini 3.1 Pro sur plusieurs tâches audio.
Traité par IA depuis MarkTechPost ; édité par Hamidun News
Alibaba a présenté Qwen3.5-Omni, un modèle omnimodal natif qui comprend texte, images, audio et vidéo dans une seule architecture et peut répondre à la voix en temps réel.
Comment le modèle est conçu
L'idée centrale de Qwen3.5-Omni : il ne s'agit pas d'un assemblage de modèles distincts greffés sur un noyau textuel, mais d'un système unique pensé dès l'origine pour plusieurs types de données. Alibaba oppose cette approche à l'ancien format de multimodalité, où la vision ou le son étaient simplement « cousus » à un LLM via des encodeurs externes. Pour les développeurs, la différence compte : une architecture native conserve généralement mieux le contexte entre les canaux, relie plus précisément la parole à l'image et s'adapte plus facilement à des usages réels comme les appels, l'analyse vidéo et les assistants vocaux.
Dans le rapport technique, Qwen3.5-Omni est décrit comme un modèle de la famille omnimodale, doté d'une architecture Hybrid Attention Mixture-of-Experts pour deux blocs, Thinker et Talker. Le premier gère la compréhension et le raisonnement ; le second, la réponse vocale en streaming. Qwen indique que le modèle a été entraîné sur des paires texte-image hétérogènes et sur plus de 100 millions d'heures de données audiovisuelles.
Le contexte annoncé est de 256 000 tokens : une seule session peut donc contenir de très longues conversations, des enregistrements de réunions, des cours, des captures d'écran et des clips vidéo, sans découpage en dizaines de petites requêtes.
La série sort en plusieurs variantes : Plus, Flash et Light. Cela évoque une logique de gamme familière : qualité maximale pour les tâches complexes, mode rapide pour les scénarios interactifs et version plus légère pour économiser du calcul.
Alibaba met aussi en avant le fonctionnement en temps réel : Qwen3.5-Omni peut diffuser sa réponse en texte et en voix naturelle, et c'est le mécanisme ARIA, qui aligne dynamiquement unités textuelles et unités vocales, qui assure une génération vocale plus stable et plus fluide.
Principales capacités de cette version
Selon le rapport technique, Qwen3.5-Omni-Plus obtient les meilleurs résultats sur 215 tâches et benchmarks de compréhension audio et audiovisuelle, de raisonnement et d'interaction. Qwen souligne que le modèle devance Gemini 3.1 Pro sur des tâches audio clés et se situe à un niveau comparable en compréhension audiovisuelle complète.
Pour Alibaba, c'est un signal important envoyé au marché : la concurrence entre les modèles multimodaux les plus puissants ne se limite plus à OpenAI et Google, et les laboratoires chinois revendiquent le leadership dans les modes les plus difficiles : voix, vidéo et dialogue en direct.
- Fenêtre de contexte de 256k
- Plus de 10 heures d'audio dans une session
- Plus de 400 secondes de vidéo 720p à 1 FPS
- Variantes Plus, Flash et Light
- Sous-titres structurés avec scènes et horodatage
Autre point fort de cette version : la description de l'audio et de la vidéo. Le rapport évoque des sous-titres structurés au niveau du scénario : le modèle peut produire des descriptions détaillées avec une synchronisation temporelle précise et un découpage automatique en scènes. C'est utile non seulement pour les archives médias, mais aussi pour la recherche dans des bases vidéo, l'analyse d'appels, la formation, l'accessibilité et le contrôle qualité des contenus. En somme, Alibaba oriente Qwen3.5-Omni vers une couche universelle de compréhension pour tout format média, et non vers un simple « chatbot qui entend aussi ».
Les chercheurs notent par ailleurs l'apparition d'une nouvelle capacité qu'ils appellent Audio-Visual Vibe Coding. Il s'agit de coder directement à partir d'instructions audiovisuelles : le modèle peut interpréter non seulement une requête textuelle, mais aussi une explication orale accompagnée d'un contexte visuel. Pour l'instant, c'est davantage un signal de recherche qu'un produit grand public abouti, mais la direction est révélatrice. Si ces modes s'installent, un développeur n'aura plus à réécrire un rapport de bug à la main : il lui suffira de montrer l'interface, d'expliquer le problème à voix haute et d'obtenir une ébauche fonctionnelle de solution.
Ce que cela signifie
Qwen3.5-Omni montre que la prochaine étape de la course à l'IA ne tourne pas autour d'un énième chatbot textuel, mais autour de modèles qui travaillent avec la même assurance le son, l'image, la vidéo et la parole dans un flux unique. Pour les entreprises, cela ouvre la voie à des produits plus cohérents : agents vocaux, analyse de réunions, recherche dans les médias et interfaces qui comprennent non seulement le texte, mais aussi tout ce que l'utilisateur montre et dit.
- 18 nov. 2026Les modèles de décision captent plus de 25 % des requêtes du routeur Vercel un mois après leur apparition
- 18 nov. 2026Une IA trouve une faille inconnue dans V8 pour $4,24 en 13 minutes, alors qu'en février elle n'avait rien trouvé pour $350
- 18 nov. 2026Anthropic : avec 413 fichiers de notes, Claude décroche 1 badge dans Pokémon ; avec quelques fichiers, il en obtient 4
- 18 nov. 2026Opus 5.5 a distingué sans la moindre erreur 19 tests de sécurité de 36 tâches ordinaires
Questions clés sur cet article
Comment le modèle est conçu?
L'idée centrale de Qwen3.5-Omni : il ne s'agit pas d'un assemblage de modèles distincts greffés sur un noyau textuel, mais d'un système unique pensé dès l'origine pour plusieurs types de données. Alibaba oppose cette approche à l'ancien format de multimodalité, où la vision ou le son étaient simplement « cousus » à un LLM via des encodeurs externes.
Que sait-on sur Principales capacités de cette version ?
Selon le rapport technique, Qwen3.5-Omni-Plus obtient les meilleurs résultats sur 215 tâches et benchmarks de compréhension audio et audiovisuelle, de raisonnement et d'interaction. Qwen souligne que le modèle devance Gemini 3.1 Pro sur des tâches audio clés et se situe à un niveau comparable en compréhension audiovisuelle complète.
Que sait-on sur Ce que cela signifie ?
Qwen3.5-Omni montre que la prochaine étape de la course à l'IA ne tourne pas autour d'un énième chatbot textuel, mais autour de modèles qui travaillent avec la même assurance le son, l'image, la vidéo et la parole dans un flux unique. Pour les entreprises, cela ouvre la voie à des produits plus cohérents : agents vocaux, analyse de réunions, recherche dans les médias et interfaces qui comprennent non seulement le texte, mais aussi tout ce que l'utilisateur montre et dit.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
L'essentiel de l'IA — une fois par semaine
Sept actus qui ont vraiment compté, choisies à la main. Sans bruit ni communiqués.
C'est fait ! Vérifiez votre boîte mail pour la confirmation.