9月24日，阿里巴巴发布通义全模态预训练大模型Qwen3-Omni系列模型。在36个音视频基准测试中，Qwen3-Omni系列模型有22项达到SOTA水平，其中32项取得开源模型最佳效果，语音识别、音频理解与语音对话能力可比肩Gemini2.5-Pro。作为全模态模型，Qwen3-Omni能够实现全模态输入和全模态输出。类似于人类婴儿一出生就全方位感知世界，Qwen3-Omni一开始就加入了“听”“说”“写”多模态混合训练。在预训练过程中，Qwen3-Omni采用混合单模态和跨模态数据。Qwen3-Omni在实现强劲音频与音视频能力的同时，单模态文本与图像性能均保持稳定，这是业内首次实现这一训练效果。
