Alibaba'nın yeni Qwen3.8-Omni-Flash modeli, metin, görüntü, ses ve videoyu aynı anda işleyebiliyor. En önemli başarısı, tek bir sorguda 1 milyon tokene kadar işlem yapabilme yeteneği. Bu, çok uzun video veya ses kayıtlarının analizi, saatler süren toplantıların ayrıntılı özetlerinin oluşturulması veya her bilgi parçasının önemli olduğu derinlemesine araştırmaların yapılması için kapıları aralıyor.
Üretici, yeni modelin önceki sürümü Qwen3.5-Omni-Plus'a kıyasla 30 farklı testte performansını %26'dan fazla iyileştirdiğini iddia ediyor. Özellikle ses ve video analizi, kod yazma ve büyük bağlamlarla çalışma görevlerindeki ilerleme dikkat çekici. Bu, modelin artık verilerdeki karmaşık ilişkileri anlama gerektiren görevlerde, ister videodaki kare dizisi ister uzun bir program kodu olsun, daha iyi başa çıktığı anlamına geliyor.
Geliştiriciler için bu, multimedya analizi için uygulamalar oluşturma, uzun videolar için otomatik altyazı oluşturma veya daha karmaşık yazılımların yazılmasına yardımcı olma konusunda yeni olanaklar anlamına geliyor. API sorgularının maliyetinin milyon token başına 0,8 yuan'a düşürülmesi, bu tür gelişmiş yetenekleri daha erişilebilir hale getiriyor.
Artık yapay zeka, bir insanın yapabileceği kadar, hatta daha uzun süre "izleyip" "dinleyebildiğine" göre, daha önce fantezi gibi görünen araçların ortaya çıkmasını bekleyebiliriz. Örneğin, belirli sahneler veya temalar açısından bütün bir filmin otomatik analizi veya saatler süren bir konferansın tam transkriptinin ve ana çıkarımlarının anında elde edilmesi gibi.