做产品的人有个共识：用户要的不是功能，是"不用动脑"。Qwen3.5-Omni 今晚发布，阿里这次把"不用动脑"做成了系统级能力。
先讲最直观的。丢给它一段视频，它能吐出带时间戳的结构化笔记：谁说了什么、BGM第几秒变调、切了几次镜头、有没有敏感内容。不是摘要，是细到帧的 Caption。长视频从此变成可搜索的数据库——以前你得拖着进度条来回找，现在直接问就行。
更意外的是 Vibe Coding。没专门训练，模型自己"悟"出了根据画面写代码的能力。上传一个 UI 草图，它生成可运行的前端原型；描述一段交互逻辑，它吐出 Python 实现。创意验证从"看"到"做"的链路，被压缩成一步。这有点像早年 Photoshop 的"内容识别填充"——用户没提需求，但用完就回不去了。
语音交互的打磨更见细节。咳嗽和随口"嗯嗯"不会打断它，真正的插话能瞬间接住；你可以指令"小声点""开心一点"，控制音色、语速、情绪。上传一段录音还能克隆专属音色，让 AI 用你的声音说话。这些功能单看都不新鲜，但拼在一起，对话的"真人感"会上一个台阶。
工具调用是另一块硬骨头。问"明天北京天气，推荐一家酒店"，它能自主判断要不要联网、调什么工具、怎么组织答案。不是聊天，是办事。原生支持 WebSearch 和复杂 Function Call，意味着模型从"能回答"进化到"能执行"。
参数层面，256K 上下文、113 种语言、10 小时音频或 1 小时视频的处理能力，配合 215 项 SOTA 成绩——音频/音视频任务全面超过 Gemini-3.1 Pro。阿里百炼已开放 API，Plus、Flash、Light 三档尺寸按需选用。
一个值得玩味的细节：官方演示里提到，模型能判断视频是否有敏感内容。这个能力放在内容审核场景，相当于给平台装了个"自动风控员"。技术文档没展开讲，但懂行的人知道，这才是商业化最稳的落脚点。
热门跟贴