ИИтак
Поиск

← Назад

модель · Qwen · вышла 22 сентября 2025

Qwen3-Omni Flash

Устаревшая модель Qwen для голосовых помощников: слышит речь, видит картинки и видео, отвечает голосом; её сменила Qwen3.8 Omni Flash

О модели

Qwen3-Omni Flash — закрытая версия линейки Qwen3-Omni, доступная только через облачный сервис Alibaba Cloud Model Studio. Линейку задумали как одну модель для всех видов данных: она слушает речь, смотрит картинки и видео и отвечает текстом или голосом. Внутри у неё две части. «Мыслитель» (Thinker) разбирает входные данные и пишет ответ, а «говорящий» (Talker) сразу его озвучивает, так что речь начинает звучать почти без паузы. Обе части построены как смесь экспертов (mixture of experts): на каждом шаге работает только часть параметров. Звук модель слушает через собственный кодировщик, который лаборатория обучила с нуля на 20 млн часов записей.

По замерам лаборатории, открытая модель той же линейки в 32 тестах по звуку и видео из 36 показала лучший результат среди открытых моделей, а в 22 обошла и закрытые, в том числе Gemini-2.5-Pro и GPT-4o-Transcribe. 1 декабря 2025 года вышло обновление Flash. Лаборатория пишет, что оно обходит сентябрьскую версию на 9,3 балла в тесте на программирование LiveCodeBench-v6, на 5,6 — в логическом ZebraLogic, на 4,7 — в MMMU с задачами по картинкам и на 3,2 — в VoiceBench, где проверяют понимание устной речи. Кроме того, модель перестала «глупеть» в непринуждённом разговоре голосом и реже сбивается на другой язык. Её поведение теперь можно полностью настроить через системный запрос — инструкцию, которая задаёт роль, тон и длину ответов.

Модель берут для голосовых помощников, для расшифровки и разбора аудиозаписей и коротких видео, а также для ролевых диалогов, где через системный запрос задают персонажа и манеру речи. Письменный текст она понимает на 119 языках, устную речь — на 19, а говорить умеет на 10 языках, среди которых есть русский. Голосов для ответа, в зависимости от версии, от 17 до 49.

Модель устарела. В документации Model Studio вместо неё советуют Qwen3.8 Omni Flash: та принимает записи длиной до двух часов, умеет искать в интернете и позволяет настроить, сколько рассуждать перед ответом. У Qwen3-Omni Flash звук и видео на входе ограничены 150 секундами, в запросе может быть только один файл, а в режиме рассуждений она не отвечает голосом. Веса Flash не публиковались. Открытую Qwen3-Omni-30B-A3B выложили под лицензией Apache 2.0, но запускать её — задача для сервера: по данным лаборатории, ей нужно от 79 до 145 ГБ видеопамяти в зависимости от длины видео.

источники:Анонс обновления Qwen3-Omni-Flash-2025-12-01 ↗Документация Qwen-Omni в Model Studio ↗Репозиторий Qwen3-Omni на GitHub ↗

Новости о модели

все упоминания · 73

  1. Qwen3.8 на ноутбуке Уиллисона определила по числовым параметрам, во что играют нейросети

    Уиллисон показал, что определить по числовым параметрам нейросети, во что она играет, может не только GPT-6 Astra, но и открытая модель на 17 ГБ — правда, на каждый ответ уходит около часа.

  2. Движок TokenSpeed ускорил Qwen3.8-Flash-Next до 685 токенов в секунду

    Открытый движок TokenSpeed выдаёт ответ модели Alibaba со скоростью 685 токенов в секунду, если на четырёх ускорителях NVIDIA GB300 работает один пользователь.

  3. Диффузионная модель ALoDLM обошла исходную Qwen3 в среднем по 11 тестам

    Языковая модель ALoDLM, сделанная из Qwen3, до четырёх раз пропускает трудные места текста через слои нейросети и, по замерам авторов, в среднем точнее Qwen3, а на школьных задачах в 2,7 раза быстрее.

  4. Рассуждая по шагам, Qwen3.8 27B почти без ошибок сложила большие числа и записала ответ словами

    В опыте Саймона Уиллисона Qwen3.8 27B без рассуждений правильно посчитала и записала прописью около четверти сумм чисел до 13 цифр, а с рассуждениями — 167 из 169.

  5. Alibaba выпустила модель синхронного перевода речи Qwen3.8-LiveTranslate

    Модель Alibaba переводит живую речь с 60 языков, различает собеседников и озвучивает перевод их голосами. Отстаёт от говорящего она в среднем на 2,3 секунды.

  6. Alibaba выпустила Qwen3.8-Omni-Flash — модель, которая смотрит видео, слушает звук и работает с инструментами

    Qwen3.8-Omni-Flash принимает текст, картинки, звук и видео, держит контекст до 1 млн токенов и умеет вызывать инструменты. По данным Alibaba, обработка видео стоит примерно на 89% меньше, чем у Qwen3.5-Omni-Plus.

Данные: models.dev (MIT).