அலிபாபாவின் க்வென் குழு Qwen3.8-Omni-Flash ஐ அறிமுகப்படுத்தியுள்ளது, இது அடுத்த தலைமுறை நேட்டிவ் ஓம்னிமோடல் மாடலானது, இது ஒரு மில்லியன் டோக்கன் சூழல் சாளரத்தின் மூலம் உரை, படம், ஆடியோ மற்றும் வீடியோ உள்ளீடுகளை ஏற்றுக்கொள்கிறது. அதிகாரப்பூர்வ Qwen வலைப்பதிவில் விவரிக்கப்பட்டுள்ள இந்த வெளியீடு, செயலற்ற உள்ளீடுகளிலிருந்து ஆடியோ மற்றும் வீடியோவை AI முகவர்கள் உலகை உணர்ந்து செயல்படும் முதன்மை ஊடகமாக மாற்ற இன்னும் குழுவின் மிகவும் தீவிரமான உந்துதலைக் குறிக்கிறது.

மீடியாவைப் புரிந்துகொள்வது முதல் அதைச் செயல்படுத்துவது வரை

Qwen3.8-Omni-Flash இன் கூறப்பட்ட இலக்கு சிறந்த ஊடகப் புரிதல் மட்டுமல்ல. Qwen குழுவின் கூற்றுப்படி, இந்த மாதிரியானது "சர்வவல்லமை உள்ளடக்கத்தைப் புரிந்துகொள்வது" முதல் "பணிகளைத் திட்டமிடுதல், கருவிகளை அழைப்பது மற்றும் ஆக்கப்பூர்வமான வேலைகளை முடிப்பது" வரை சர்வ சாதாரண அமைப்புகளை மேம்படுத்த வடிவமைக்கப்பட்டுள்ளது. நடைமுறையில், அந்த மாதிரியானது வீடியோ எடிட்டிங், மியூசிக் வீடியோ உருவாக்கம், திரைப்படத் தயாரிப்பு மற்றும் வர்ணனை, ஆடியோ-விஷுவல் சுருக்கம் மற்றும் நிகழ்நேர குரல் உரையாடல்கள் போன்ற பணிப்பாய்வுகளை இலக்காகக் கொண்டுள்ளது.

இந்த ஏஜென்டிக் ஃப்ரேமிங், ஆடியோ மற்றும் வீடியோவை டிரான்ஸ்கிரிப்ட் அல்லது விவரிக்க வேண்டிய உள்ளீடுகளாகக் கருதிய முந்தைய மல்டிமாடல் மாடல்களிலிருந்து வெளியீட்டைப் பிரிக்கிறது. ஆடியோ மற்றும் வீடியோ "முக்கிய மீடியாவாக உருவாகி வருகின்றன, இதன் மூலம் முகவர்கள் தங்கள் சூழல், காரணம் மற்றும் பணிகளைச் செய்கிறார்கள்" என்று க்வென் வாதிடுகிறார் - இது தொடர்ச்சியான ஏஜென்டிக் பெஞ்ச்மார்க் முடிவுகளுடன் நிறுவனம் ஆதரிக்கிறது.

வெளியீட்டின் பின்னால் உள்ள எண்கள்

ஆடியோ ரீசனிங், ஆடியோ-விஷுவல் ரீசனிங் மற்றும் ஆடியோ-விஷுவல் ஏஜென்ட் வரையறைகளை உள்ளடக்கிய 29 மதிப்பீடுகளில், மாடலின் சராசரி மதிப்பெண் அதன் முன்னோடியான Qwen3.5-Omni-Plus ஐ விட 25%க்கும் அதிகமாக மேம்படுகிறது என்று Qwen கூறுகிறது. Qwen வலைப்பதிவில் தெரிவிக்கப்பட்ட தலைப்பு முடிவுகள்:

  • WildClawBench-MM இல் 36.5 புள்ளிகள் மற்றும் AgenticVBench இல் 22.3 புள்ளிகள், ஆடியோ-விஷுவல் ஏஜெண்டுகளுக்கான இரண்டு அளவுகோல்கள், மேலும் UniClawBench இல் 69.6 மதிப்பெண்கள்.
  • LongAudioSpan இல் 8.3-புள்ளி மேம்பாடு மற்றும் OmniVideoBench இல் 9.6-புள்ளி அதிகரிப்பு நீண்ட வடிவ ஆடியோ மற்றும் வீடியோ புரிதலுக்காக.
  • மல்டி ஸ்பீக்கர் மீட்டிங் டிரான்ஸ்கிரிப்ஷனில் வியத்தகு பிழை-விகிதம் குறைகிறது: மாடலின் AliMeeting DER மற்றும் cpWER முறையே 88.11 மற்றும் 89.61 இலிருந்து 3.35 மற்றும் 17.18 ஆகக் குறைந்தது.

போட்டித்தன்மையில், க்வென் கூகுளின் சலுகையுடன் நேரடி ஒப்பீடு செய்கிறார்: ஜெமினி 3.8 ஃப்ளாஷுக்கு நெருக்கமான ஆடியோ-விஷுவல் செயல்திறன் மற்றும் அதை மீறும் ஒட்டுமொத்த ஆடியோ செயல்திறன் ஆகியவற்றை நிறுவனம் கோருகிறது. அந்த ஒப்பீடுகளின் சுயாதீன சரிபார்ப்பு நேரம் எடுக்கும், ஆனால் அளவுகோலின் பிரத்தியேகமானது, சர்வவல்லமை வேலைகளின் எல்லையில் க்வென் மாதிரியை போட்டித்தன்மை வாய்ந்ததாகக் கருதுகிறது என்பதைக் குறிக்கிறது.

மணிநேர ஊடகங்களுக்கான 1M-டோக்கன் சாளரம்

ஒருங்கிணைந்த 1 மில்லியன்-டோக்கன் சூழல் சாளரம் வெளியீட்டின் மிகவும் நடைமுறை அம்சமாகும். ஆடியோ மற்றும் வீடியோ உரையை விட மிக வேகமாக டோக்கன்களை உட்கொள்வதால், உற்பத்தியில் உள்ள பெரும்பாலான மல்டிமாடல் மாடல்கள் ஒரு நேரத்தில் சில நிமிட ஊடகங்களை மட்டுமே கையாளுகின்றன. ஏழு எண்கள் கொண்ட சூழல் சாளரமானது, மாடலை மணிக்கணக்கான சந்திப்புப் பதிவுகள், நீட்டிக்கப்பட்ட வீடியோ காட்சிகள் அல்லது பெரிய கலப்பு ஊடக ஆவணங்களை ஒரே அமர்வில் துண்டிக்காமல் வைத்திருக்க அனுமதிக்கிறது.

க்வென் குறிப்பிடுகையில், இந்த மாதிரியானது ஒரே அளவிலான உரை-மட்டும் மாதிரியுடன் ஒப்பிடக்கூடிய உரை செயல்திறனைப் பராமரிக்கிறது - சர்வ சாதாரணமான பயிற்சியானது தூய மொழித் திறனைக் குறைக்கும் பொதுவான வர்த்தகத்தை நிவர்த்தி செய்கிறது.

ஆடியோ உள்ளீட்டில் 98% விலைக் குறைப்பு

விலை நிர்ணயம் என்பது அலிபாபா அதிக அழுத்தத்தை பயன்படுத்துகிறது. வலைப்பதிவின் படி, Qwen3.5-Omni-Plus உடன் ஒப்பிடும்போது ஒரு மணிநேர ஆடியோ உள்ளீட்டின் API விலை 98%க்கும் அதிகமாக குறைந்துள்ளது, அதே நேரத்தில் ஆடியோ காட்சி உள்ளீட்டின் விலை 93%க்கும் அதிகமாக குறைந்துள்ளது. இரண்டு நிமிட மூலப்பொருளின் உள்ளீட்டு செலவை விட மணிநேர விலைகள் 30 மடங்கு என மதிப்பிடப்படுகிறது, ஆடியோ-விஷுவல் உள்ளீடு 720p மற்றும் 1 ஃபிரேம் ஒரு வினாடியில் கணக்கிடப்படுகிறது என்று நிறுவனத்தின் வழிமுறை குறிப்பு கூறுகிறது.

குரல் முகவர்கள், சந்திப்பு சுருக்கிகள் அல்லது மீடியா பகுப்பாய்வு பைப்லைன்களை உருவாக்கும் டெவலப்பர்களுக்கு, உள்ளீட்டு செலவு பெரும்பாலும் அளவில் கட்டுப்படுத்தப்படும். இரண்டு-ஆர்டர்-ஆஃப்-அளவிலான விலை வீழ்ச்சி மாற்றங்கள் பொருளாதார ரீதியாக லாபகரமான தயாரிப்புகள் - அதே இயக்கவியல் மலிவான உரை-அனுமதி APIகளின் முதல் அலையை இயக்கியது.

கிடைக்கும் தன்மை மற்றும் சுற்றுச்சூழல்

Qwen3.8-Omni-Flash இப்போது Qianwen AI இயங்குதளத்தில் கிடைக்கிறது, API அணுகலுடன் Alibaba Cloud Model Studio, இதில் உரையாடல் பயன்பாட்டு நிகழ்வுகளுக்கான பிரத்யேக நிகழ்நேர இறுதிப்புள்ளியும் அடங்கும். க்யூவென்-லைவ்-ஹார்னஸ் மதிப்பீட்டு ஹார்னெஸ் மற்றும் க்வென்-எம்எம்-பிளகின்ஸ் உள்ளிட்ட திறந்த மூலக் கருவிகளை கிட்ஹப்பில் குழு வெளியிட்டது, டெவலப்பர்களுக்கு மாடலின் மேல் மீடியா-நேட்டிவ் ஏஜெண்டுகளை உருவாக்குவதற்கான தொடக்கப் புள்ளியை அளிக்கிறது.

இந்த வெளியீடு வாரத்தின் தொடக்கத்தில் அமைதியாக இறங்கியது, ஆனால் சமீபத்திய நாட்களில் டெவலப்பர் சமூகத்தில் குறிப்பிடத்தக்க இழுவைப் பெற்றது, ஹேக்கர் செய்திகள் மற்றும் திறந்த மாதிரி சுற்றுச்சூழல் அமைப்பைக் கண்காணிக்கும் தொழில்நுட்ப விற்பனை நிலையங்களின் கவரேஜ் பற்றிய பெரிய விவாதத்தை ஈர்த்தது.

ஓம்னிமோடல் பந்தயத்திற்கு இது என்ன அர்த்தம்

இந்த வெளியீடு அலிபாபாவின் க்வென் குடும்பம் முழுவதும் போட்டி அளவுகோல்களுடன் ஆக்கிரமிப்பு விலையை இணைக்கும் உத்தியை தொடர்கிறது, இது உலகளவில் அதிகம் பதிவிறக்கம் செய்யப்பட்ட திறந்த-மாடல் பரம்பரைகளில் மீண்டும் மீண்டும் உள்ளது. Qwen3.8-Omni-Flash மூலம், அடுத்த போர்க்களம் உரை அரட்டை அல்ல, ஆனால் பார்க்க, கேட்க மற்றும் செயல்படக்கூடிய முகவர்கள் - காட்சிகளைத் திருத்துதல், கூட்டங்களைச் சுருக்கி, நிகழ்நேர குரல் உரையாடல்களை ஒரே ஒருங்கிணைந்த திறனாக நடத்துதல் என்று நிறுவனம் பந்தயம் கட்டுகிறது.

ஜெமினி 3.8 ஃப்ளாஷ் வெளிப்படையான ஒப்பீட்டு புள்ளியாக இருக்கும் கூகுளைப் பொறுத்தவரை, ஓம்னி-மாடல் எல்லையானது அமெரிக்க ஆய்வகங்களுக்கு இடையேயான இரண்டு குதிரைப் பந்தயமாக இருக்காது என்பதுதான் செய்தி. டெவலப்பர்களுக்கு, 1M-டோக்கன் மல்டிமாடல் விண்டோ மற்றும் கிட்டதட்ட-இலவச ஆடியோ உள்ளீடு ஆகியவற்றின் கலவையானது ஆடியோ-விஷுவல் ஏஜென்ட் தயாரிப்புகளின் ஒரு வகுப்பிற்கான தடையை குறைக்கிறது, அவை சில மாதங்களுக்கு முன்பு அளவில் சேவை செய்ய இயலாது.

Qwen இன் முக்கியக் கோரிக்கைகள் சுயாதீன மதிப்பீட்டின் கீழ் நிலைநிறுத்தப்படுமா என்பது அந்த பந்தயத்தை தொழில் எவ்வளவு தீவிரமாக நடத்துகிறது என்பதை வடிவமைக்கும். ஆனால் பயணத்தின் திசை தெளிவாக உள்ளது: எல்லைப்புற மாதிரிகளை உருவாக்கும் குழுக்கள் இப்போது காதுகளையும் கண்களையும் பார்க்கின்றன - வெறும் உரை பெட்டி அல்ல - AI முகவர்களுக்கான இயல்புநிலை இடைமுகமாக.

AIக்கு முன்னால் இருங்கள்

சர்வ சாதாரணமான ஓட்டப்பந்தயம் வாரா வாரம் வேகமெடுத்து வருகிறது. மேலும் பிரேக்கிங் AI செய்திகள், புதிய மாடல் வெளியீடுகளின் ஆழமான பகுப்பாய்வு மற்றும் தொழில்துறையை வடிவமைக்கும் கருவிகளின் கவரேஜ் ஆகியவற்றிற்கு, மேலும் AI செய்திகளைப் படிக்கவும் →.

---

Stay Ahead of AI

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

Read more AI news →