আলিবাবার Qwen টিম Qwen3.8-Omni-Flash চালু করেছে, একটি পরবর্তী প্রজন্মের নেটিভ সর্বজনীন মডেল যা একটি একক 1 মিলিয়ন-টোকেন প্রসঙ্গ উইন্ডোর মাধ্যমে পাঠ্য, চিত্র, অডিও এবং ভিডিও ইনপুট গ্রহণ করে। অফিসিয়াল কিউয়েন ব্লগে বিশদভাবে প্রকাশিত রিলিজটি প্যাসিভ ইনপুট থেকে অডিও এবং ভিডিওকে প্রাথমিক মাধ্যমে পরিণত করার জন্য দলের সবচেয়ে আক্রমনাত্মক ধাক্কাকে চিহ্নিত করে যার মাধ্যমে এআই এজেন্টরা বিশ্বকে উপলব্ধি করে এবং কাজ করে।

মিডিয়া বোঝা থেকে এটিতে অভিনয় করা পর্যন্ত

Qwen3.8-Omni-Flash-এর উল্লিখিত লক্ষ্য শুধুমাত্র মিডিয়ার আরও ভাল বোঝা নয়। কিউয়েন টিমের মতে, মডেলটিকে "অমনিমোডাল বিষয়বস্তু বোঝা" থেকে "কাজের পরিকল্পনা করা, কলিং টুলস এবং সৃজনশীল কাজ সম্পূর্ণ করা" পর্যন্ত সর্বজনীন সিস্টেমকে অগ্রসর করার জন্য ডিজাইন করা হয়েছে। অনুশীলনে, এর অর্থ হল মডেলটি ভিডিও সম্পাদনা, মিউজিক ভিডিও তৈরি, চলচ্চিত্র নির্মাণ এবং ভাষ্য, অডিও-ভিজ্যুয়াল সংক্ষিপ্তকরণ এবং রিয়েল-টাইম ভয়েস কথোপকথনের মতো কাজের প্রবাহের লক্ষ্যে।

এই এজেন্টিক ফ্রেমিং পূর্ববর্তী মাল্টিমোডাল মডেলগুলি থেকে রিলিজকে আলাদা করে যা অডিও এবং ভিডিওকে প্রতিলিপি বা বর্ণনা করার জন্য ইনপুট হিসাবে বিবেচনা করে। কুয়েন যুক্তি দেন যে অডিও এবং ভিডিও "কোর মিডিয়াতে বিকশিত হচ্ছে যার মাধ্যমে এজেন্টরা তাদের পরিবেশ, কারণ এবং কার্য সম্পাদন করে" - একটি দাবি কোম্পানি এজেন্টিক বেঞ্চমার্ক ফলাফলের একটি সিরিজের সাথে সমর্থন করে।

রিলিজের পিছনের সংখ্যা

অডিও রিজনিং, অডিও-ভিজ্যুয়াল রিজনিং, এবং অডিও-ভিজ্যুয়াল এজেন্ট বেঞ্চমার্কের 29 টি মূল্যায়ন জুড়ে, কুয়েন বলেছেন যে মডেলের গড় স্কোর তার পূর্বসূরি, Qwen3.5-Omni-Plus-এর তুলনায় 25% বেশি উন্নত হয়েছে। কুয়েন ব্লগে রিপোর্ট করা শিরোনাম ফলাফলগুলির মধ্যে রয়েছে:

  • WildClawBench-MM-এ 36.5 পয়েন্ট এবং AgenticVBench-এ 22.3 পয়েন্ট লাভ, অডিও-ভিজ্যুয়াল এজেন্টদের জন্য দুটি মানদণ্ড, এছাড়াও UniClawBench-এ 69.6 স্কোর।
  • দীর্ঘ-ফর্মের অডিও এবং ভিডিও বোঝার জন্য লংঅডিওস্প্যানে 8.3-পয়েন্ট উন্নতি এবং OmniVideoBench-এ 9.6-পয়েন্ট লাভ।
  • মাল্টি-স্পিকার মিটিং ট্রান্সক্রিপশনে নাটকীয় ত্রুটি-হার কমেছে: মডেলের AliMeeting DER এবং cpWER যথাক্রমে 88.11 এবং 89.61 থেকে 3.35 এবং 17.18-এ নেমে এসেছে।

প্রতিযোগিতামূলক ফ্রন্টে, কুয়েন Google-এর অফারগুলির সাথে সরাসরি তুলনা করে: কোম্পানিটি জেমিনি 3.8 ফ্ল্যাশের কাছাকাছি অডিও-ভিজ্যুয়াল পারফরম্যান্স এবং সামগ্রিক অডিও পারফরম্যান্সের দাবি করে যা এটিকে ছাড়িয়ে যায়। এই তুলনাগুলির স্বাধীন যাচাইকরণে সময় লাগবে, কিন্তু বেঞ্চমার্ক দাবির নির্দিষ্টতা ইঙ্গিত দেয় যে কুয়েন সর্বজনীন কাজের সীমান্তে মডেলটিকে প্রতিযোগিতামূলক বলে মনে করেন।

মিডিয়ার ঘন্টার জন্য একটি 1M-টোকেন উইন্ডো

ইউনিফাইড 1 মিলিয়ন-টোকেন প্রসঙ্গ উইন্ডোটি যুক্তিযুক্তভাবে রিলিজের সবচেয়ে ব্যবহারিক বৈশিষ্ট্য। যেহেতু অডিও এবং ভিডিও পাঠ্যের চেয়ে অনেক দ্রুত টোকেন গ্রহণ করে, উৎপাদনের বেশিরভাগ মাল্টিমোডাল মডেল এক সময়ে মাত্র মিনিটের মিডিয়া পরিচালনা করে। একটি সাত-অঙ্কের প্রসঙ্গ উইন্ডোটি মডেলটিকে কয়েক ঘন্টা মিটিং রেকর্ডিং, বর্ধিত ভিডিও ফুটেজ, বা বড় মিশ্র-মিডিয়া নথিগুলিকে একক সেশনে ধারণ করার অনুমতি দেয়।

কুয়েন নোট করেছেন যে মডেলটি একই আকারের একটি টেক্সট-অনলি মডেলের সাথে তুলনীয় টেক্সট কর্মক্ষমতা বজায় রাখে — সাধারণ ট্রেড-অফকে সম্বোধন করে যেখানে সর্বজনীন প্রশিক্ষণ বিশুদ্ধ ভাষার ক্ষমতাকে হ্রাস করে।

অডিও ইনপুটে 98% এর মূল্য হ্রাস

মূল্য নির্ধারণ যেখানে আলিবাবা সবচেয়ে বেশি চাপ প্রয়োগ করছে। ব্লগের মতে, Qwen3.5-Omni-Plus-এর তুলনায় প্রতি ঘণ্টায় অডিও ইনপুটের API মূল্য 98%-এর বেশি কমেছে, যেখানে অডিও-ভিজ্যুয়াল ইনপুটের প্রতি ঘণ্টার দাম 93%-এর বেশি কমেছে। কোম্পানির পদ্ধতির নোটে বলা হয়েছে যে প্রতি ঘণ্টায় মূল্য 720p এবং 1 ফ্রেম প্রতি সেকেন্ডে গণনা করা অডিও-ভিজ্যুয়াল ইনপুট সহ উৎস উপাদানের দুই মিনিটের ইনপুট খরচের 30 গুণ হিসাবে অনুমান করা হয়েছে।

ডেভেলপারদের জন্য ভয়েস এজেন্ট, মিটিং সামারাইজার, বা মিডিয়া বিশ্লেষণ পাইপলাইন, ইনপুট খরচ প্রায়ই স্কেলে বাধ্যতামূলক সীমাবদ্ধতা। একটি দ্বি-ক্রম-অফ-প্রমাণ মূল্য হ্রাস পরিবর্তন করে কোন পণ্যগুলি অর্থনৈতিকভাবে কার্যকর — একই গতিশীল যা সস্তা টেক্সট-ইনফারেন্স API-এর প্রথম তরঙ্গ চালিত করে।

প্রাপ্যতা এবং ইকোসিস্টেম

Qwen3.8-Omni-Flash এখন Qianwen AI প্ল্যাটফর্মে উপলব্ধ, আলিবাবা ক্লাউড মডেল স্টুডিওর মাধ্যমে API অ্যাক্সেস সহ, কথোপকথনমূলক ব্যবহারের ক্ষেত্রে একটি ডেডিকেটেড রিয়েলটাইম এন্ডপয়েন্ট সহ। দলটি Qwen-Live-Harness মূল্যায়ন জোতা এবং Qwen-MM-Plugins সহ GitHub-এ সমর্থনকারী ওপেন-সোর্স টুলিং প্রকাশ করেছে, যা ডেভেলপারদের মডেলের শীর্ষে মিডিয়া-নেটিভ এজেন্ট তৈরির জন্য একটি সূচনা পয়েন্ট দিয়েছে।

লঞ্চটি সপ্তাহের শুরুতে শান্তভাবে অবতরণ করেছিল কিন্তু সাম্প্রতিক দিনগুলিতে ডেভেলপার সম্প্রদায়ের মধ্যে উল্লেখযোগ্য আকর্ষণ অর্জন করেছে, হ্যাকার নিউজ এবং ওপেন-মডেল ইকোসিস্টেমের ট্র্যাকিং প্রযুক্তি আউটলেটগুলির কভারেজের উপর একটি বড় আলোচনা আঁকছে।

Omnimodal রেসের জন্য এর অর্থ কী

রিলিজটি তার Qwen পরিবার জুড়ে প্রতিযোগীতামূলক মানদণ্ডের সাথে আক্রমনাত্মক মূল্যের জুড়ি মেলানোর আলিবাবার কৌশল অব্যাহত রেখেছে, যা বারবার বিশ্বব্যাপী সর্বাধিক ডাউনলোড করা ওপেন-মডেল বংশের মধ্যে রয়েছে। Qwen3.8-Omni-Flash-এর সাথে, কোম্পানিটি বাজি ধরছে যে পরবর্তী যুদ্ধক্ষেত্রটি টেক্সট চ্যাট নয় বরং এজেন্ট যা দেখতে, শুনতে এবং কাজ করতে পারে — ফুটেজ সম্পাদনা, মিটিংগুলির সংক্ষিপ্তকরণ, এবং একক সমন্বিত ক্ষমতা হিসাবে রিয়েল-টাইম ভয়েস কথোপকথন রাখা।

গুগলের জন্য, যার জেমিনি 3.8 ফ্ল্যাশ হল সুস্পষ্ট তুলনামূলক বিন্দু, এই বার্তাটি হল যে ওমনি-মডেল ফ্রন্টিয়ার আর মার্কিন ল্যাবগুলির মধ্যে দুই-ঘোড়ার দৌড় নয়। ডেভেলপারদের জন্য, একটি 1M-টোকেন মাল্টিমোডাল উইন্ডো এবং কাছাকাছি-মুক্ত অডিও ইনপুটের সংমিশ্রণ অডিও-ভিজ্যুয়াল এজেন্ট পণ্যগুলির একটি শ্রেণীতে বাধা কমিয়ে দেয় যা মাত্র কয়েক মাস আগে স্কেলে পরিবেশন করা অবাস্তব ছিল।

Qwen-এর বেঞ্চমার্ক দাবিগুলি স্বাধীন মূল্যায়নের অধীনে ধরে রাখবে কিনা তা শিল্প সেই বাজিটিকে কতটা গুরুত্ব সহকারে আচরণ করে তা আকার দেবে। তবে ভ্রমণের দিকটি স্পষ্ট: সীমান্তের মডেল তৈরিকারী দলগুলি এখন কান এবং চোখ দেখতে পায় - শুধু একটি টেক্সট বক্স নয় - এআই এজেন্টদের জন্য ডিফল্ট ইন্টারফেস হিসাবে।

এআই থেকে এগিয়ে থাকুন

সর্বজনীন জাতি সপ্তাহে সপ্তাহে ত্বরান্বিত হচ্ছে। আরও ব্রেকিং এআই নিউজ, নতুন মডেল রিলিজের গভীর বিশ্লেষণ এবং শিল্পকে রূপদানকারী টুলগুলির কভারেজের জন্য, আরও এআই নিউজ পড়ুন →।

---

Stay Ahead of AI

Get the latest AI news, analysis, and breakthroughs — all in one place.

Read more AI news →