Alibaba выпустила дешёвую модель ИИ для работы с голосом и видео, но только по доступу через облако

Что произошло. Компания Alibaba выпустила новую модель искусственного интеллекта Qwen3.8-Omni-Flash. Она умеет принимать на входе текст, картинки, аудио и видео, а отвечать — текстом. По данным разработчиков, модель может работать с очень большим объёмом информации — например, обработать двухчасовую запись встречи вместе с презентацией и графиками и дать ответ сразу по всем материалам. Компания заявляет, что использование модели стало заметно дешевле: обработка часа аудио стоит меньше цента, а минута видео с голосом — около 20 центов. По словам Alibaba, по качеству работы с задачами агентов (программ, которые сами выполняют цепочки действий) и встречами модель заметно обошла предыдущую версию, хотя по отдельным показателям уступает модели Gemini от Google.

Что это значит для бизнеса. Такая модель может пригодиться для анализа записей звонков с клиентами, встреч или видеоматериалов без необходимости использовать несколько разных программ. Снижение цены делает подобные задачи более доступными для небольших компаний. Но есть важное ограничение: в отличие от некоторых других своих моделей, Alibaba не выкладывает код и веса этой модели в открытый доступ. Пользоваться ею можно только через облачный сервис компании, а значит, бизнес будет зависеть от условий и доступности именно этого поставщика. Доступность сервиса в России источник не упоминает.

Как попробовать. Разработчики могут получить доступ к модели через облачную платформу Alibaba Cloud — DashScope и Model Studio, а также через чат-интерфейс Qwen Chat. Alibaba также выпустила набор дополнительных инструментов с открытым кодом под названием Qwen-MM-Plugins — они помогают связывать модель с разными рабочими сценариями, включая распознавание голоса и работу с видео.