Компания Alibaba обновила журнал моделей QwenCloud, добавив модель Qwen 3.8 Omni Flash для нативной сквозной обработки видео, аудио и текста. Модель оснащена контекстным окном в 1 миллион токенов и предназначена для анализа протяженных мультимедийных материалов в едином представлении.
Архитектурное новшество заключается в отказе от раздельных конвейеров. В традиционных системах видео нарезается на кадры, а звук расшифровывается отдельной моделью речи (ASR). В Qwen 3.8 Omni Flash визуальные образы и звуковые спектрограммы проецируются в общее векторное пространство одновременно, сопоставляя происходящее на экране с интонациями речи без потери временного контекста.
Возможность прямой загрузки многочасовых записей совещаний и трансляций упрощает построение прикладных систем. Тем не менее, переход на сквозные мультимодальные модели требует верификации: точность таймкодов, качество узких терминов и условия лицензирования весов требуют подтверждения на реальных рабочих нагрузках.
