Hogar
Qwen 3.5-Omni bate récords con 215 SOTA y marca el inicio de la era de la IA multisensorial
Tongyi Lab presentó oficialmente anoche el nuevo modelo multimodal de gran tamaño Qwen3.5-Omni. Este modelo supone un avance significativo en cuanto a comprensión, interacción y ejecución de tareas en comparación con su predecesor, lo que hace que la IA pase de ser un «asistente limitado a la pantalla» a un «agente inteligente que comprende el mundo físico».
Avances principales: «Full Modality» y 215 pruebas de rendimiento SOTA
Qwen3.5-Omni cuenta con una arquitectura nativa de «modalidad completa», lo que le permite procesar sin problemas texto, imágenes, audio y vídeo. En evaluaciones que abarcan el análisis audiovisual, el razonamiento, el diálogo y la traducción, el modelo ha alcanzado 215 resultados de vanguardia (SOTA). Cabe destacar que sus capacidades generales de comprensión y reconocimiento de audio han superado a modelos como Gemini-3.1Pro, mientras que su rendimiento visual y textual se mantiene en la máxima categoría, a la altura de su homólogo, el modelo Qwen3.5 de escala similar.

Arquitectura técnica: Hybrid-Attention MoE
El modelo se basa en el marco clásico Thinker-Talker con una revisión arquitectónica fundamental:
Thinker (centro de comprensión): actualizado a una mezcla de expertos (MoE) con atención híbrida, que admite un contexto ultralargo de 256 000 tokens. Esto le permite procesar hasta 10 horas de audio o 1 hora de vídeo, captando con precisión detalles minuciosos en secuencias largas mediante la tecnología TMRoPE.
Talker (centro de expresión): Incorpora la nueva tecnología ARIA y la codificación RVQ, sustituyendo los procesos DiT, que requieren un gran esfuerzo computacional. Esto no solo resuelve problemas comunes en la generación de audio, como el salto de palabras y la pronunciación errónea de números, sino que también dota al modelo de sólidas capacidades de control de voz en tiempo real.
Aplicaciones en el mundo real: del «vibe coding» a la clonación de voz
Las capacidades de Qwen3.5-Omni permiten varios escenarios de aplicación transformadores:
Codificación de Vibe emergente natural: El modelo muestra una impresionante comprensión y generación de código sin necesidad de entrenamiento específico, lo que le permite producir código Python o prototipos front-end directamente a partir de la lógica de vídeo.
Interacción en tiempo real similar a la humana: Admite la interrupción semántica. Puede diferenciar entre el ruido de fondo (como una tos) y las interrupciones intencionadas, y los usuarios pueden ajustar el tono (por ejemplo, «feliz») y el volumen mediante instrucciones sencillas.
Análisis de vídeo detallado: puede generar subtítulos estructurados y con marca de tiempo, identificando con precisión acciones, cambios en la música de fondo y transiciones de cámara dentro de los vídeos.
Clonación de voz personalizada: Los usuarios pueden crear una «voz digital» personalizada y muy natural subiendo una breve muestra de audio, con soporte para 113 idiomas.
Qwen3.5-Omni ya está disponible en la plataforma BaiLian de Alibaba Cloud en las versiones Plus, Flash y Light. También se puede acceder a una API de diálogo en tiempo real (Realtime) y a una demostración a través de la comunidad ModelScope.
Artículo relacionado
Las acciones de EE. UU. alcanzan un hito histórico mientras gigantes de la IA y la aeroespacial se preparan para su debut de un billón de dólares
Elon Musk, Sam Altman y Dario Amodei, tres titanes del sector tecnológico, están avanzando hacia ofertas públicas iniciales para sus respectivas empresas. Con SpaceX, OpenAI y Anthropic, tres gigantes de la industria que se acercan a valoraciones de
La startup sueca de inteligencia artificial Lovable Eyes alcanza una valoración de 13.200 millones de dólares tras una importante ronda de financiación
Mientras las herramientas de codificación impulsadas por inteligencia artificial ganan terreno, la startup sueca Lovable ha asegurado una importante ronda de financiación. La empresa tiene como objetivo recaudar 3 000 millones de dólares, lo que podr
Google prueba el agente Remy AI para Gemini a medida que el enfoque se desplaza hacia el control del usuario
Según Business Insider, Google está probando Remy, un nuevo agente personal de IA para Gemini. Esta herramienta tiene como objetivo ejecutar tareas en nombre de los usuarios, optimizando tanto los flujos de trabajo profesionales como las rutinas diar
Recomendaciones de temas especiales relacionados
comentario (1)
0/500
Tongyi Lab presentó oficialmente anoche el nuevo modelo multimodal de gran tamaño Qwen3.5-Omni. Este modelo supone un avance significativo en cuanto a comprensión, interacción y ejecución de tareas en comparación con su predecesor, lo que hace que la IA pase de ser un «asistente limitado a la pantalla» a un «agente inteligente que comprende el mundo físico».
Avances principales: «Full Modality» y 215 pruebas de rendimiento SOTA
Qwen3.5-Omni cuenta con una arquitectura nativa de «modalidad completa», lo que le permite procesar sin problemas texto, imágenes, audio y vídeo. En evaluaciones que abarcan el análisis audiovisual, el razonamiento, el diálogo y la traducción, el modelo ha alcanzado 215 resultados de vanguardia (SOTA). Cabe destacar que sus capacidades generales de comprensión y reconocimiento de audio han superado a modelos como Gemini-3.1Pro, mientras que su rendimiento visual y textual se mantiene en la máxima categoría, a la altura de su homólogo, el modelo Qwen3.5 de escala similar.

Arquitectura técnica: Hybrid-Attention MoE
El modelo se basa en el marco clásico Thinker-Talker con una revisión arquitectónica fundamental:
Thinker (centro de comprensión): actualizado a una mezcla de expertos (MoE) con atención híbrida, que admite un contexto ultralargo de 256 000 tokens. Esto le permite procesar hasta 10 horas de audio o 1 hora de vídeo, captando con precisión detalles minuciosos en secuencias largas mediante la tecnología TMRoPE.
Talker (centro de expresión): Incorpora la nueva tecnología ARIA y la codificación RVQ, sustituyendo los procesos DiT, que requieren un gran esfuerzo computacional. Esto no solo resuelve problemas comunes en la generación de audio, como el salto de palabras y la pronunciación errónea de números, sino que también dota al modelo de sólidas capacidades de control de voz en tiempo real.
Aplicaciones en el mundo real: del «vibe coding» a la clonación de voz
Las capacidades de Qwen3.5-Omni permiten varios escenarios de aplicación transformadores:
Codificación de Vibe emergente natural: El modelo muestra una impresionante comprensión y generación de código sin necesidad de entrenamiento específico, lo que le permite producir código Python o prototipos front-end directamente a partir de la lógica de vídeo.
Interacción en tiempo real similar a la humana: Admite la interrupción semántica. Puede diferenciar entre el ruido de fondo (como una tos) y las interrupciones intencionadas, y los usuarios pueden ajustar el tono (por ejemplo, «feliz») y el volumen mediante instrucciones sencillas.
Análisis de vídeo detallado: puede generar subtítulos estructurados y con marca de tiempo, identificando con precisión acciones, cambios en la música de fondo y transiciones de cámara dentro de los vídeos.
Clonación de voz personalizada: Los usuarios pueden crear una «voz digital» personalizada y muy natural subiendo una breve muestra de audio, con soporte para 113 idiomas.
Qwen3.5-Omni ya está disponible en la plataforma BaiLian de Alibaba Cloud en las versiones Plus, Flash y Light. También se puede acceder a una API de diálogo en tiempo real (Realtime) y a una demostración a través de la comunidad ModelScope.
Las acciones de EE. UU. alcanzan un hito histórico mientras gigantes de la IA y la aeroespacial se preparan para su debut de un billón de dólares
Elon Musk, Sam Altman y Dario Amodei, tres titanes del sector tecnológico, están avanzando hacia ofertas públicas iniciales para sus respectivas empresas. Con SpaceX, OpenAI y Anthropic, tres gigantes de la industria que se acercan a valoraciones de
La startup sueca de inteligencia artificial Lovable Eyes alcanza una valoración de 13.200 millones de dólares tras una importante ronda de financiación
Mientras las herramientas de codificación impulsadas por inteligencia artificial ganan terreno, la startup sueca Lovable ha asegurado una importante ronda de financiación. La empresa tiene como objetivo recaudar 3 000 millones de dólares, lo que podr











