Alibaba ၏ Qwen အဖွဲ့သည် စာသား၊ ရုပ်ပုံ၊ အသံနှင့် ဗီဒီယိုထည့်သွင်းမှုများကို လက်ခံနိုင်သော မျိုးဆက်သစ် omnimodal မော်ဒယ် Qwen3.8-Omni-Flash ကို မိတ်ဆက်ခဲ့သည် တရားဝင် Qwen ဘလော့ဂ်တွင် အသေးစိတ်ဖော်ပြထားသော ထုတ်ဝေမှုသည် အသံနှင့် ဗီဒီယိုအား passive inputs များမှ ကမ္ဘာကို AI အေးဂျင့်များက နားလည်ပြီး လုပ်ဆောင်ပေးသည့် အဓိက ကြားခံအဖြစ်သို့ ပြောင်းလဲရန် အဖွဲ့၏ အပြင်းထန်ဆုံး တွန်းအားပေးမှုကို အမှတ်အသားပြုပါသည်။

မီဒီယာကို နားလည်ခြင်းမှ လုပ်ဆောင်ခြင်းအထိ

Qwen3.8-Omni-Flash ၏ဖော်ပြထားသောပန်းတိုင်သည် ပိုမိုကောင်းမွန်သောမီဒီယာကိုနားလည်နိုင်ရုံမျှသာမဟုတ်ပါ။ Qwen အဖွဲ့၏အဆိုအရ၊ အဆိုပါမော်ဒယ်သည် "omnimodal အကြောင်းအရာများကိုနားလည်ခြင်း" မှ "အလုပ်များကိုစီစဉ်ခြင်း၊ ကိရိယာများခေါ်ဆိုခြင်းနှင့်ဖန်တီးမှုလုပ်ငန်းများကိုပြီးမြောက်ခြင်း" အထိ omnimodal စနစ်များကိုတိုးတက်စေရန်ဒီဇိုင်းပြုလုပ်ထားသည်။ လက်တွေ့တွင်၊ ဆိုလိုသည်မှာ မော်ဒယ်သည် ဗီဒီယိုတည်းဖြတ်ခြင်း၊ တေးဂီတဗီဒီယိုဖန်တီးခြင်း၊ ရုပ်ရှင်ထုတ်လုပ်ခြင်းနှင့် မှတ်ချက်ပေးခြင်း၊ ရုပ်မြင်သံကြားအကျဉ်းချုပ်နှင့် အချိန်နှင့်တပြေးညီ အသံပြောဆိုမှုများကဲ့သို့သော အလုပ်အသွားအလာများအတွက် ရည်ရွယ်ပါသည်။

ဤအေးဂျင့်ဘောင်သွင်းခြင်းသည် အသံနှင့်ဗီဒီယိုအား သွင်းအားစုများအဖြစ် ကူးယူဖော်ပြခြင်း သို့မဟုတ် ဖော်ပြမည့် အစောပိုင်း multimodal မော်ဒယ်များမှ ထွက်ရှိမှုကို ပိုင်းခြားပေးပါသည်။ အသံနှင့် ဗီဒီယိုသည် အေးဂျင့်များ၏ ပတ်ဝန်းကျင်၊ အကြောင်းပြချက်နှင့် လုပ်ငန်းဆောင်တာများကို နားလည်သဘောပေါက်သည့် အဓိကမီဒီယာအဖြစ်သို့ ပြောင်းလဲနေပြီဟု Qwen မှ စောဒကတက်သည် — ကုမ္ပဏီသည် အေးဂျင့်စံနှုန်းရလဒ်များစွာဖြင့် ကျောခိုင်းထားသည်။

ထုတ်ဝေမှုနောက်ကွယ်ရှိ နံပါတ်များ

အသံဆင်ခြင်ခြင်း၊ အသံ-အမြင်ဆိုင်ရာ ကျိုးကြောင်းဆင်ခြင်ခြင်းနှင့် အသံ-မြင်နိုင်သော အေးဂျင့်စံနှုန်းများ ပါဝင်သော အကဲဖြတ်မှု ၂၉ ခုတွင်၊ Qwen မှ မော်ဒယ်၏ ပျမ်းမျှရမှတ်သည် ယခင် Qwen3.5-Omni-Plus ထက် 25% ပိုမိုတိုးတက်ကောင်းမွန်လာသည်ဟု Qwen မှ ပြောကြားခဲ့သည်။ Qwen ဘလော့ဂ်တွင် ဖော်ပြထားသော ခေါင်းစီးရလဒ်များ ပါဝင်သည်။

  • WildClawBench-MM တွင် 36.5 မှတ် နှင့် AgenticVBench တွင် 22.3 မှတ်၊ အသံ-မြင်နိုင်သော အေးဂျင့်များအတွက် စံသတ်မှတ်ချက်နှစ်ခု၊ နှင့် UniClawBench တွင် ရမှတ် 69.6 ရရှိသည်။
  • LongAudioSpan တွင် 8.3 မှတ် တိုးတက်မှု နှင့် OmniVideoBench တွင် 9.6 မှတ် ရရှိခြင်း
  • စပီကာပေါင်းစုံ အစည်းအဝေး စာသားမှတ်တမ်းတွင် သိသိသာသာ မှားယွင်းမှုနှုန်း ကျဆင်းသွားသည်- မော်ဒယ်၏ AliMeeting DER နှင့် cpWER သည် 88.11 နှင့် 89.61 မှ 3.35 နှင့် 17.18 အသီးသီးသို့ ကျဆင်းသွားသည်။

ယှဉ်ပြိုင်မှုမျက်နှာစာတွင်၊ Qwen သည် Google ၏ကမ်းလှမ်းချက်နှင့်တိုက်ရိုက်နှိုင်းယှဉ်မှုကိုပြုလုပ်သည်- ကုမ္ပဏီသည် Gemini 3.8 Flash နှင့်နီးစပ်သောရုပ်ပိုင်းဆိုင်ရာစွမ်းဆောင်ရည်နှင့်၎င်းထက်ကျော်လွန်သောအလုံးစုံအသံစွမ်းဆောင်ရည်ကိုတောင်းဆိုထားသည်။ အဆိုပါ နှိုင်းယှဉ်မှုများကို သီးခြားအတည်ပြုခြင်းမှာ အချိန်ယူရမည်ဖြစ်ပြီး၊ စံသတ်မှတ်ချက်၏ တိကျမှုမှာ Qwen သည် omnimodal အလုပ်၏ ရှေ့တန်းမှ မော်ဒယ်ကို ယှဉ်ပြိုင်နိုင်သည်ဟု ယူဆကြောင်း အချက်ပြမှုများ ရှိသည်။

Media နာရီများအတွက် 1M-Token Window

ပေါင်းစည်းထားသော 1 သန်း-တိုကင် ဆက်စပ်ဝင်းဒိုးသည် ထုတ်ဝေမှု၏ လက်တွေ့အကျဆုံး အင်္ဂါရပ်ဟု ယူဆနိုင်သည်။ အသံနှင့် ဗီဒီယိုသည် စာသားထက် ပိုမြန်သော တိုကင်များကို စားသုံးသောကြောင့်၊ ထုတ်လုပ်ရေးရှိ ဘက်စုံသုံးမော်ဒယ်အများစုသည် တစ်ကြိမ်လျှင် မီဒီယာ၏ မိနစ်များကိုသာ ကိုင်တွယ်သည်။ ပုံခုနစ်ပုံပါသော ဆက်စပ်ဝင်းဒိုးသည် မော်ဒယ်အား အစည်းအဝေးမှတ်တမ်းများ၊ တိုးချဲ့ဗီဒီယိုမှတ်တမ်းများ သို့မဟုတ် ကြီးမားသော ရောစပ်မီဒီယာစာရွက်စာတမ်းများကို အပိုင်းလိုက်မထည့်ဘဲ အပိုင်းတစ်ခုအတွင်း နာရီပေါင်းများစွာ ထိန်းထားနိုင်စေပါသည်။

မော်ဒယ်သည် တူညီသောအရွယ်အစားရှိ စာသားသီးသန့်မော်ဒယ်နှင့် နှိုင်းယှဉ်နိုင်သော စာသားစွမ်းဆောင်ရည်ကို ထိန်းသိမ်းထားသည်ဟု Qwen က မှတ်သားထားသည် — omnimodal လေ့ကျင့်မှုသည် စင်ကြယ်သောဘာသာစကားစွမ်းရည်ကို ကျဆင်းစေသည့် ဘုံအပေးအယူကို ကိုင်တွယ်ဖြေရှင်းခြင်းဖြစ်သည်။

အသံထည့်သွင်းမှုအပေါ် 98% စျေးနှုန်းဖြတ်တောက်ခြင်း။

စျေးနှုန်းသည် Alibaba သည် ဖိအားအရှိဆုံးနေရာဖြစ်သည်။ ဘလော့ဂ်၏အဆိုအရ၊ အသံပိုင်းဆိုင်ရာထည့်သွင်းမှုတစ်နာရီလျှင် API စျေးနှုန်းသည် Qwen3.5-Omni-Plus နှင့် နှိုင်းယှဉ်ပါက 98% ကျော် ကျဆင်းသွားခဲ့ပြီး ရုပ်မြင်သံကြားထည့်သွင်းမှုတစ်နာရီလျှင် စျေးနှုန်းသည် 93% ထက် ကျဆင်းနေပါသည်။ ကုမ္ပဏီ၏ နည်းစနစ်မှတ်စုတွင် 720p နှင့် 1 frame per second ဖြင့် တွက်ချက်ထားသော အသံ-visual input ဖြင့် နာရီအလိုက် စျေးနှုန်းများသည် အရင်းအမြစ်ပစ္စည်း၏ ထည့်သွင်းကုန်ကျစရိတ်ထက် အဆ 30 နှင့် ခန့်မှန်းတွက်ချက်ထားကြောင်း သိရသည်။

အသံအေးဂျင့်များတည်ဆောက်ခြင်း၊ အစည်းအဝေးအကျဉ်းချုပ်များ သို့မဟုတ် မီဒီယာခွဲခြမ်းစိတ်ဖြာမှုပိုက်လိုင်းများတည်ဆောက်သည့် developer များအတွက်၊ ထည့်သွင်းကုန်ကျစရိတ်သည် အတိုင်းအတာအလိုက် ကန့်သတ်ချုပ်ချယ်လေ့ရှိသည်။ ပြင်းအား နှစ်ဆင့် စျေးနှုန်း ကျဆင်းခြင်းသည် ထုတ်ကုန်များ စီးပွားရေးအရ အကျုံးဝင်သည့် ပြောင်းလဲခြင်းဖြစ်သည် — စျေးပေါသော စာသားအနုမာန API များ၏ ပထမလှိုင်းကို တွန်းအားပေးသည့် တူညီသော တက်ကြွမှုဖြစ်သည်။

ရရှိနိုင်မှုနှင့် ဂေဟစနစ်

Qwen3.8-Omni-Flash သည် စကားဝိုင်းအသုံးပြုမှုကိစ္စများအတွက် သီးခြားအချိန်နှင့်တပြေးညီအသုံးပြုမှုကိစ္စများအတွက် အထူးသီးသန့်အချိန်အဆုံးမှတ်တစ်ခုအပါအဝင် Alibaba Cloud Model Studio မှတစ်ဆင့် API ဝင်ရောက်အသုံးပြုနိုင်သည့် Qianwen AI Platform တွင် ယခုရရှိနိုင်ပါပြီ။ အဖွဲ့သည် Qwen-Live-Harness အကဲဖြတ်ခြင်းကြိုးနှင့် Qwen-MM-Plugins အပါအဝင် GitHub တွင် open-source tooling ကို ပံ့ပိုးပေးထားပြီး developer များကို model ၏ထိပ်တွင် media-native agents များတည်ဆောက်ရန်အတွက် အစပျိုးပေးထားပါသည်။

အဆိုပါ လွှတ်တင်မှုသည် ရက်သတ္တပတ်အစောပိုင်းတွင် တိတ်တဆိတ် ဆင်းသက်ခဲ့သော်လည်း မကြာသေးမီရက်များအတွင်း developer အသိုင်းအဝိုင်းတွင် သိသာထင်ရှားသော ဆွဲဆောင်မှုအား ရရှိခဲ့ပြီး Hacker News နှင့် ပတ်သက်၍ ကြီးမားသော ဆွေးနွေးမှုတစ်ခုကို ရယူကာ open-model ဂေဟစနစ်ကို ခြေရာခံသည့် နည်းပညာဆိုင်များမှ လွှမ်းခြုံထားသည်။

Omnimodal Race အတွက် ဘာကိုဆိုလိုလဲ။

ဖြန့်ချိမှုသည် ကမ္ဘာတစ်ဝှမ်းတွင် ဒေါင်းလုဒ်အများဆုံး open-model မျိုးရိုးစဉ်ဆက်များထဲတွင် ထပ်ခါတလဲလဲဖြစ်ခဲ့သည့် ၎င်း၏ Qwen မိသားစုတစ်လျှောက် အပြိုင်အဆိုင်စံနှုန်းများဖြင့် အပြိုင်အဆိုင်စျေးနှုန်းများဖြင့် Alibaba ၏ဗျူဟာကို ဆက်လက်လုပ်ဆောင်ခဲ့သည်။ Qwen3.8-Omni-Flash ဖြင့်၊ ကုမ္ပဏီသည် လာမည့်စစ်မြေပြင်သည် စာတိုချတ်မဟုတ်သော်လည်း ကြည့်ရှုခြင်း၊ နားထောင်ခြင်းနှင့် လုပ်ဆောင်နိုင်သော အေးဂျင့်များ — ဗီဒီယိုများကို တည်းဖြတ်ခြင်း၊ အစည်းအဝေးများကို အကျဉ်းချုပ်ခြင်းနှင့် အချိန်နှင့်တစ်ပြေးညီ အသံစကားပြောဆိုမှုများကို ပေါင်းစပ်လုပ်ဆောင်နိုင်စွမ်းအဖြစ် ကုမ္ပဏီက လောင်းကြေးပေးပါသည်။

Gemini 3.8 Flash သည် တိကျပြတ်သားသော နှိုင်းယှဉ်ချက်အချက်ဖြစ်သည့် Google အတွက်၊ omni-modal frontier သည် US labs များကြားတွင် မြင်းနှစ်ကောင်ပြိုင်ပွဲ မဟုတ်တော့ကြောင်း သတင်းစကားပါးလိုက်ပါသည်။ ဆော့ဖ်ဝဲအင်ဂျင်နီယာများအတွက်၊ 1M-တိုကင် ဘက်စုံသုံးဝင်းဒိုးနှင့် အခမဲ့အနီးအနားရှိ အသံထည့်သွင်းမှုတို့ ပေါင်းစပ်မှုသည် လွန်ခဲ့သည့်လများအတွင်းက အတိုင်းအတာတစ်ခုအထိ လုပ်ဆောင်ရန် လက်တွေ့မကျသော အသံ-အမြင်အေးဂျင့် ထုတ်ကုန်အမျိုးအစားများအတွက် အတားအဆီးကို လျှော့ချပေးပါသည်။

Qwen ၏စံနှုန်းတောင်းဆိုချက်များသည် အမှီအခိုကင်းသောအကဲဖြတ်မှုအောက်တွင်ရှိနေသည်ဖြစ်စေ အဆိုပါလောင်းကြေးကိုစက်မှုလုပ်ငန်းကမည်မျှအလေးအနက်ထားဆက်ဆံသည်ကိုပုံဖော်မည်ဖြစ်သည်။ သို့သော် ခရီးသွားလာမှု၏ ဦးတည်ချက်မှာ ရှင်းနေသည်- AI အေးဂျင့်များအတွက် မူရင်းအင်တာဖေ့စ်အဖြစ် ယခုအခါ နားနှင့် မျက်လုံးများကို မြင်နေရသည် — စာသားသေတ္တာတစ်ခု——–—–—– AI အေးဂျင့်များအတွက် ပုံသေအင်တာဖေ့စ်အဖြစ်။

AI ၏ရှေ့တွင်နေပါ။

သဗ္ဗညုတပြိုင်ပွဲသည် တစ်ပတ်ပြီးတစ်ရက် အရှိန်မြှင့်လာသည်။ ပိုမိုထူးခြားသော AI သတင်းများ၊ မော်ဒယ်အသစ်များထုတ်ဝေခြင်း၏ အတွင်းကျကျခွဲခြမ်းစိတ်ဖြာခြင်းနှင့် လုပ်ငန်းကိုပုံဖော်သည့်ကိရိယာများ၏ လွှမ်းခြုံမှုအတွက်၊ AI သတင်း → ကို ပိုမိုဖတ်ရှုပါ။

---

Stay Ahead of AI

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

Read more AI news →