அலிபாபா Qwen3-Omni-ஐ அறிமுகப்படுத்துகிறது: திறந்த மூல பல்மாதிரி AI மாதிரி

திறந்த மூலமாகும் பல்மாதிரி சவாலாளர்

உரை, படங்கள், ஒலி, காணொளி ஆகியவற்றை உள்ளீடாக ஏற்று, உரையாகவோ செயற்கையாக உருவாக்கப்பட்ட பேச்சாகவோ பதிலளிக்கும் இயல்பான பல்மாதிரி செயற்கை நுண்ணறிவு மாதிரியான Qwen3-Omni-ஐ அலிபாபா அறிமுகப்படுத்தியுள்ளது. வணிகப் பயன்பாடு, மாற்றம், மறுவிநியோகம் ஆகியவற்றை அனுமதிக்கும் காப்புரிமை உரிமத்துடன் கூடிய Apache 2.0 உரிமத்தின் கீழ் இந்த மாதிரி திறந்த மூலமாகக் கிடைக்கிறது. பரந்த திறன்களும் அனுமதியளிக்கும் உரிமமும் இணைந்திருப்பதால், அமெரிக்காவின் முன்னணி மூடப்பட்ட அமைப்புகளுடன் Qwen3-Omni நேரடிப் போட்டியில் நிற்கிறது. அதேவேளை, தொடக்க நிறுவனங்கள், ஆராய்ச்சியாளர்கள், பெரிய நிறுவனங்கள் இதைப் பயன்படுத்துவதற்கான தடைகளையும் குறைக்கிறது.

நிகழ்நேரத்தில் பல்வேறு ஊடக வகைகளைப் புரிந்துகொண்டு செயல்பட வடிவமைக்கப்பட்ட அமைப்புகளான omni மாதிரிகளை நோக்கித் தொழில்துறை நகரும் போக்கில் Qwen3-Omni உருவாகியுள்ளது. உரை மாதிரியின் மீது பேச்சு அல்லது காட்சித் திறனைப் பொருத்தும் அடுக்குகளைப் போலன்றி, Qwen3-Omni தொடக்கம் முதல் இறுதிவரை பல்மாதிரி அமைப்பாக உருவாக்கப்பட்டதாக அலிபாபா கூறுகிறது. சிந்தனைச் செயல்பாட்டின்போதே ஒலி, காணொளியை நேரடியாகச் செயலாக்கி, தனிப்பட்ட பேச்சுத் தொகுதி மூலம் பேச்சை உருவாக்குகிறது. இதனால் முழுக் கோப்புகளும் முடிவடையும் வரை காத்திருக்காமல் உரையாடலின் தாளம், தொனி, சூழல் ஆகியவற்றைத் தக்கவைக்க முடியும்.

முதல் வெளியீடு 30 பில்லியன் அளவுருக்கள் கொண்ட குடும்பத்தை மையமாகக் கொண்டுள்ளது. ஊகச் செயலாக்கத்தை வேகமாகவும் விரிவாக்கக்கூடியதாகவும் வைத்திருக்க இது Mixture of Experts வடிவமைப்பைப் பயன்படுத்துகிறது. ஒலிக்கான முதல் பாக்கெட் தாமதம் 234 மில்லிவினாடிகள் வரையிலும், காணொளிக்கு 547 மில்லிவினாடிகள் வரையிலும் குறைவதாகவும், ஒரே நேரத்தில் பல கோரிக்கைகள் இருந்தாலும் RTF (நிகழ்நேரக் காரணி) ஒன்றுக்குக் கீழே இருப்பதாகவும் அலிபாபா தெரிவிக்கிறது. உரைக்கு 119 மொழிகள், பேச்சு உள்ளீட்டுக்கு 19 மொழிகள், பேச்சு வெளியீட்டுக்கு 10 மொழிகள் என இந்த அமைப்பு ஆதரிக்கிறது. இதனால் பன்மொழி உதவியாளர்கள், அழைப்பு மையங்கள், நேரடி மொழிபெயர்ப்பு ஆகியவற்றுக்கான வாய்ப்புகள் உருவாகின்றன.

அலிபாபா தனது கிளவுட் வணிகத்தை முழுமையான AI வழங்குநராக நிலைநிறுத்தும் நேரத்திலும், சீனாவின் திறந்த மாதிரிகள் மேம்பாட்டாளர் தளங்களில் வேகமாகப் பிரபலமடையும் நேரத்திலும் இந்த அறிமுகம் வந்துள்ளது. சில நாட்களிலேயே Qwen3-Omni-யின் பல்வேறு பதிப்புகள் Hugging Face-இல் அதிகம் பேசப்படும் தரவரிசைகளில் முன்னிலை பெற்றன. இது உலகளாவிய சமூகத்தினரிடையே உள்ள பெரும் ஆர்வத்தைப் பிரதிபலிக்கிறது. வேகமான API பதிப்பையும் நிறுவனம் வழங்குவதுடன், எடைக் கோப்புகளை நேரடியாகப் பதிவிறக்கி உள்ளூரில் செயல்படுத்தும் வசதியையும் அளிக்கிறது.

Qwen3-Omni-யின் தனித்துவம் என்ன?

Qwen3-Omni ஒரே நேரத்தில் சிந்திக்கவும் பேசவும் வடிவமைக்கப்பட்டுள்ளது. பல்மாதிரி பகுத்தறிவுப் பணிகளை Thinker கூறு கையாள்கிறது. ஒலி, காட்சிப் பண்புகளை நேரடியாக அடிப்படையாகக் கொண்டு, Thinker-இன் வெளியீட்டை இயல்பான பேச்சாக Talker கூறு மாற்றுகிறது. இதனால் எந்தச் சொற்களும் பேசப்படுவதற்கு முன்பு, Thinker கட்டத்தில் தகவல் மீட்டெடுப்பு, பாதுகாப்புச் சோதனைகள் அல்லது வணிகத் தர்க்கத்தை மேம்பாட்டாளர்கள் சேர்க்கலாம். ஒழுங்குமுறை விதிகளுக்குட்பட்ட பணிச்செயல்முறைகளுக்கு இது பயனுள்ளதாகும்.

Thinker மற்றும் Talker

சுமார் 2 டிரில்லியன் டோக்கன்களைக் கொண்டு, உரை, பேச்சு, படங்கள், காணொளி ஆகியவற்றில் பயிற்றுவிக்கப்பட்ட பெரிய மொழி மாதிரி Thinker ஆகும். ஒவ்வொரு டோக்கனுக்கும் அளவுருக்களில் சிறிய பகுதி மட்டுமே செயல்படும் வகையில் Mixture of Experts வழித்தேர்வைப் பயன்படுத்துகிறது. இதனால் கணிப்புச் செலவு குறைந்து, செயலாக்கத் திறன் அதிகரிக்கிறது. Talker என்பது இலகுவான பேச்சு உருவாக்கி. குரலின் தனித்தன்மையையும் ஏற்ற இறக்கங்களையும் தக்கவைக்க பல குறியீட்டுத் தொகுதிகளைக் கொண்ட தானியங்கு முறையைப் பயன்படுத்துகிறது; ஒலியை விரைவாக உருவாக்கச் சுருக்கமான Code2Wav வலையமைப்பையும் பயன்படுத்துகிறது.

நிகழ்நேரத் தொடரோட்டமும் தற்காலிகச் சேமிப்பும்

உரையாடலில் தாமதம் முக்கியம். ஒலிச் சூழலில் சுமார் கால் வினாடியிலும், காணொளிச் சூழலில் சுமார் அரை வினாடியிலும் முதலில் கேட்கக்கூடிய டோக்கனைத் தரும் தொடரோட்டச் செயலாக்கம் இருப்பதாக அலிபாபா தெரிவிக்கிறது. ஒலி அமைப்பில், மேற்பார்வையுடன் கூடிய 20 மில்லியன் மணிநேர ஒலித் தரவைக் கொண்டு பயிற்றுவிக்கப்பட்ட புதிய Audio Transformer குறியாக்கி இடம்பெறுகிறது. இதில் பெரும்பாலும் சீன, ஆங்கில ASR தரவுகள் உள்ளன; பிற மொழிகளுக்கும் உலகளாவிய தரவுப் பரப்புக் கிடைக்கிறது. நேரடி அழைப்புகளுக்கான இணையவழித் தற்காலிகச் சேமிப்பையும், தொகுதிப் பணிகளுக்கான இணையமற்ற குறியாக்கத்தையும் இந்தக் குறியாக்கி ஆதரிக்கிறது.

மொழிகளும் நீண்ட சூழலும்

மேம்பாட்டாளர்கள் நீண்ட கட்டளைகளையும் உரைமாற்றங்களையும் வழங்கலாம். Thinking Mode-இல் 65,536 டோக்கன்கள் வரையிலான சூழல் நீளமும், 32,768 டோக்கன்கள் வரையிலான பகுத்தறிவுத் தொடர்களும் ஆதரிக்கப்படுகின்றன. Non Thinking Mode-இல் 49,152 டோக்கன்கள் வரை ஆதரிக்கப்படும். உள்ளீடாக 16,384 டோக்கன்கள் வரையும் ஏற்று, உரையாக 16,384 டோக்கன்கள் வரை வெளியிடலாம். தற்போது பேச்சு அமைப்பு 10 வெளியீட்டு மொழிகளை ஆதரிக்கிறது. வாடிக்கையாளர் ஆதரவு, களச் சேவை போன்ற உலகளாவிய முன்னோடித் திட்டங்களுக்கு இது நடைமுறைக்கு ஏற்ற வரம்பாகும்.

மாதிரிகள், முறைகள், விலை

வெவ்வேறு தேவைகளுக்கேற்ப அணிகள் தேர்வு செய்ய, 30B குடும்பத்தின் மூன்று பதிப்புகளை அலிபாபா வெளியிடுகிறது. Instruct மாதிரி முழுமையான Thinker, Talker அடுக்குகளை இணைத்து, ஒலி, காணொளி, உரை உள்ளீடுகளை ஏற்று, உரையையும் பேச்சையும் வெளியிடுகிறது. Thinking மாதிரி சிக்கலான பகுத்தறிவிலும் நீண்ட சிந்தனைத் தொடர்களிலும் கவனம் செலுத்துகிறது. அதே பல்மாதிரி உள்ளீடுகளைப் பயன்படுத்தினாலும் உரையை மட்டுமே வெளியிடுகிறது; ஆராய்ச்சி, பகுப்பாய்வு, விதிமுறைகளுக்கு இணங்கும் நிறுவனப் பதிவுகள் ஆகியவற்றுக்கு இது பொருத்தமானது. Captioner மாதிரி ஒலிக்கான விளக்க உரைகளை உருவாக்குவதில் நுணுக்கமாகப் பயிற்றுவிக்கப்பட்ட சிறப்பு மாதிரி. இசை, பேச்சு, கலந்த ஒலிகளுக்குத் துல்லியமான விளக்கங்களை, மிகக் குறைந்த தவறான உருவாக்கங்களுடன் வழங்குவதை இது நோக்கமாகக் கொண்டுள்ளது.

Qwen3-Omni-ஐ மாதிரி மையங்களில் இருந்து பதிவிறக்கலாம்; குறியீடும் எடைக் கோப்புகளும் GitHub-இல் கிடைக்கின்றன. வேகமான Flash விருப்பம் உட்பட, ஊடாடும் சேவைகளுக்கான API ஆகவும் அலிபாபா கிளவுட் மூலம் கிடைக்கிறது. புதிய பயனர்களுக்கு 10 லட்சம் டோக்கன்களுக்கான இலவச ஒதுக்கீடு வழங்கப்படுகிறது; செயல்படுத்தியதிலிருந்து 90 நாட்களுக்கு இது செல்லுபடியாகும். கட்டணப் பயன்பாட்டில், ஆயிரம் டோக்கன்களுக்கு விலை நிர்ணயிக்கப்படுகிறது. உரை உள்ளீட்டுக்கு 0.00025 டாலர், படம் அல்லது காணொளி உள்ளீட்டுக்கு 0.00046 டாலர், ஒலி உள்ளீட்டுக்கு 0.00221 டாலர். வெளியீட்டில், உள்ளீடு உரை மட்டுமே என்றால் உரைக்கான விலை 0.00096 டாலர்; உள்ளீட்டில் படங்கள் அல்லது ஒலி இருந்தால் அது 0.00178 டாலராக உயர்கிறது. உரை, ஒலி இரண்டையும் வெளியிட மேம்பாட்டாளர்கள் கோரும்போது, ஆயிரம் டோக்கன்களுக்கு ஒலிப் பகுதிக்கு 0.00876 டாலர் கட்டணம்; உரைப் பகுதி இலவசம்.

API வழியாக Non Thinking Mode-இல் மட்டுமே ஒலி வெளியீடு கிடைக்கும். தொடரோட்டப் பேச்சுக்கான திட்டமிடலை எளிதாக்கவும், நீண்ட கட்டமைக்கப்பட்ட பகுத்தறிவுடன் முரண்பாடுகளைத் தவிர்க்கவும் இந்தத் தேர்வு உதவுகிறது. நீண்ட பகுத்தறிவுத் தொடர்கள் தேவைப்படும் அணிகள் திட்டமிட அல்லது தகவல் மீட்டெடுக்க Thinking மாதிரியைப் பயன்படுத்திவிட்டு, இறுதிப் பதிலை ஒலி உருவாக்கிக்கோ அல்லது பேச்சுக்காக Instruct மாதிரிக்கோ அனுப்பலாம்.

தரநிலைகள் மற்றும் அவற்றைப் புரிந்துகொள்வது

36 பொதுச் சோதனைகளில் வலுவான முடிவுகளையும், அவற்றில் 22-இல் அதிநவீன மதிப்பெண்களையும், திறந்த மாதிரிகளில் 32-இல் முன்னிலையையும் Qwen3-Omni பெற்றுள்ளதாக அலிபாபா தெரிவிக்கிறது. உரை மற்றும் காட்சித் தரத்தைத் தக்கவைத்தபடி பேச்சுத் திறனில் முன்னேறும் சமநிலையான அமைப்பை இந்த எண்கள் சுட்டிக்காட்டுகின்றன. AIME25 பகுத்தறிவுச் சோதனையில் 65.0, ZebraLogic-இல் 76.0 என Qwen3-Omni பெறுவது குறிப்பிடத்தக்கது. WritingBench மதிப்பெண் 82.6. ஒலிப் படியெடுப்பில், Wenetspeech-இல் முறையே 4.69 மற்றும் 5.89 என்ற சொல் பிழை விகிதங்களையும், Librispeech other-இல் 2.48 மதிப்பையும் இந்த மாதிரி பதிவு செய்துள்ளது; அந்தத் தரவுத்தொகுப்பில் இது மிகக் குறைவானது. இசை வகை குறியிடல் மற்றும் வகைப்படுத்தலில் GTZAN-இல் 93.0, RUL-MuchoMusic-இல் 52.0 போன்ற மதிப்பெண்கள், இசை வகைகளையும் ஒலிப் பண்புகளையும் நன்கு அடையாளம் காண்பதைக் காட்டுகின்றன.

காட்சி, கணிதத் தரநிலைகளிலும் வலுவான முடிவுகள் கிடைத்துள்ளன. HallusionBench-இல் 59.7, MMMU_pro-இல் 57.0, MathVision_full-இல் 56.3 எனப் பதிவாகியுள்ளது. காணொளிப் புரிதலில் MLVU-இல் Qwen3-Omni 75.2 பெற்றுள்ளது. அலிபாபா வெளியிட்டுள்ள புள்ளிவிவரங்களின்படி, குறிப்பிட்ட இந்தச் சோதனைகளில் GPT 4o, Gemini 2.0 Flash உள்ளிட்ட பல மூடப்பட்ட மாதிரிகளைவிட இம்முடிவுகள் சிறப்பாக உள்ளன.

பயனர்கள் எதிர்கொள்ளும் எல்லாச் சூழல்களையும் தரநிலைச் சோதனைகள் பிரதிபலிப்பதில்லை. நிஜ உரையாடல்களில் பின்னணி இரைச்சல் அதிகமாக இருக்கலாம்; உச்சரிப்பு மாறுபடலாம்; வெளிச்சம் மாறலாம்; வணிகப் பணிகளில் பல கருவிகள் தொடர்ச்சியாகப் பயன்படுத்தப்படலாம். தேர்ந்தெடுக்கப்பட்ட சோதனைகளில் சிறப்பாகச் செயல்பட்டாலும், சிறிய மாதிரிகள் கட்டுப்படுத்தப்படாத சூழல்களில் சில நேரங்களில் தடுமாறுவதாக ஆரம்பகட்ட சுயாதீன மதிப்பீடுகள் சுட்டிக்காட்டுகின்றன. துறைசார் சொற்கள், சிறப்புப் படவிளக்கங்கள், ஒரே நேரத்தில் பேசும் பலர் போன்ற விளிம்புநிலைச் சூழல்கள் உட்பட, தங்கள் சொந்தத் தரவுகளைக் கொண்டு கருத்துருவச் சோதனைகளை மேம்பாட்டாளர்கள் நடத்த வேண்டும்.

GPT 4o, Gemini, Gemma ஆகியவற்றுடன் ஒப்பீடு

OpenAI-யின் GPT 4o, Google-இன் Gemini 2.5 ஆகியவை இடம்பெறும் போட்டி நிறைந்த சந்தையில் Qwen3-Omni களமிறங்குகிறது. அந்த அமைப்புகள் வலுவானவை; ஏற்கெனவே பெரிய தளங்களுடன் ஒருங்கிணைக்கப்பட்டுள்ளன. ஆனால் அவை மூடப்பட்ட மூல அமைப்புகள். பயனர்கள் ஒவ்வொரு அழைப்புக்கும் கட்டணம் செலுத்த வேண்டும்; அடிப்படை மாதிரிகளைச் சட்டப்படி மாற்றவோ மறுவிநியோகம் செய்யவோ முடியாது. Qwen3-Omni, வணிகப் பயன்பாடு, குறியீடு மற்றும் எடைகளில் மாற்றங்கள், மறுவிநியோகம் ஆகியவற்றை அனுமதிக்கும் தாராளமான Apache 2.0 உரிமத்தின் கீழ் வெளியிடப்பட்டுள்ளது. இதில் காப்புரிமை உரிமமும் அடங்கும். AI-ஐத் தங்கள் தயாரிப்புகளில் நேரடியாகவோ தனியார் உள்கட்டமைப்பிலோ சேர்க்க விரும்பும் நிறுவனங்களுக்கான சட்ட அபாயத்தை இந்த உரிமக் கலவை குறைக்கிறது.

செயல்பாட்டளவில், உரை, படங்கள், ஒலி, காணொளி ஆகியவற்றை Qwen3-Omni ஏற்று, உரை அல்லது பேச்சில் பதிலளிக்கிறது. GPT 4o உரை, படம், ஒலி உள்ளீடுகளை ஏற்று உரை, பேச்சில் பதிலளிக்கிறது; ஆனால் அதன் அடிப்படை அமைப்பில் காணொளிக் காட்சிகளை உள்ளீடாக ஏற்காது. Gemini 2.5 Pro காணொளி உள்ளீட்டை ஆய்வு செய்ய முடியும்; Google சேவைகள் மூலம் உரை, பேச்சுப் பதில்களையும் வழங்குகிறது. உரை மையத்தின் மேல் பொருத்தப்பட்ட இணைப்புக் கருவிகளாக அல்லாமல், பேச்சும் காட்சியும் அடிப்படைத் திறன்களாக உள்ள இயல்பான பல்மாதிரி அமைப்பாக Qwen3-Omni-ஐ அலிபாபா நிலைநிறுத்துகிறது.

Google, Apache 2.0 உரிமத்தின் கீழ் Gemma 3n-ஐயும் திறந்த மூலமாக வழங்குகிறது. Gemma 3n காணொளி, ஒலி, உரை, படங்களை ஏற்றாலும், உரையை மட்டுமே வெளியிடுகிறது. நேரடிப் பேச்சு வெளியீட்டுடன் முழுமையாகத் திறந்த தொழில்நுட்பத் தொகுப்பை விரும்பும் அணிகளுக்கு, அனுமதியளிக்கும் உரிமத்துடனும் உடனடிப் பேச்சு உருவாக்கும் திறனுடனும் தற்போது கிடைக்கும் ஒரே தேர்வாக Qwen3-Omni இருக்கலாம்.

பயனர்களுக்கு Apache 2.0 ஏன் முக்கியம்?

ஒரு மாதிரியை எங்கு இயக்கலாம், அதை எவ்வாறு தயாரிப்பாக மாற்றலாம் என்பதை உரிமம் தீர்மானிக்கிறது. வழித்தோன்றல் மாதிரிகளை வெளியிட வேண்டிய கட்டாயமின்றி, நுணுக்கப் பயிற்சியும் மூடிய மறுவிநியோகமும் Apache 2.0 உரிமத்தின் கீழ் சாத்தியம். இதில் காப்புரிமை உரிமமும் பங்களிப்புக்கான உரிமமும் அடங்கும். அறிவுசார் சொத்துரிமைகளை உன்னிப்பாக ஆராயும் ஒழுங்குமுறைத் துறைகளுக்கு, இந்த விதிமுறைகள் ஒருங்கிணைப்பு அபாயத்தைக் குறைக்கின்றன. நிறுவனங்கள் Qwen3-Omni-ஐத் தங்கள் சொந்தச் சேவையகங்களிலோ, தேர்ந்தெடுத்த கிளவுடிலோ, விளிம்பு சாதனங்களிலோ செயல்படுத்தி, தனிப்பயன் மாதிரிகளைத் தனிப்பட்டதாக வைத்திருக்கலாம்.

நிறுவன மற்றும் மேம்பாட்டாளர் பயன்பாடுகள்

பலவகையான பணிகளை Qwen3-Omni இலக்காகக் கொண்டுள்ளது. பன்மொழி உரை, பேச்சு அமைப்பைக் கொண்டு 19 உள்ளீட்டு மொழிகளிலும் 10 வெளியீட்டு மொழிகளிலும் அழைப்பு மைய உரைமாற்றத்தையும் நேரடி மொழிபெயர்ப்பையும் இயக்கலாம். இசை, சுற்றுப்புற ஒலி, கலந்த ஒலிக் கோப்புகளை ஒலிக் குறிப்புரையாக்கி மூலம் விவரிக்கலாம்; இது தொகுப்பாளர்கள், ஆவணக் காப்பாளர்கள், உதவித் தொழில்நுட்பக் கருவிகளுக்குப் பயனுள்ளதாகும். காட்சிச் செயலாக்கத் தொடர், OCR மற்றும் பக்க அமைப்புக்காகத் திரைப்பிடிப்புகளையும் படங்களையும் வாசிக்கிறது. இது பின்புற அலுவலகப் பணிகளையும் வாடிக்கையாளர் சேர்க்கைச் செயல்முறைகளையும் தானியக்கமாக்க உதவுகிறது.

காணொளிப் புரிதல் இதன் முக்கியத் திறனாகும். கைப்பேசியில் எடுக்கப்பட்ட ஒரு குறுகிய காணொளியை ஆதரவு முகவர் ஆய்ந்து, பிழை விளக்கையோ தவறாக இணைக்கப்பட்ட கம்பியையோ கண்டறியலாம். ஒரு பராமரிப்புச் செயலி நேரடி ஒளிபரப்பைக் கண்காணித்து, வால்வு திறக்கப்பட்டுள்ளதா என்பதை உறுதிப்படுத்தலாம். Thinker, Talker ஆகியவை இணையாகச் செயல்படுவதால், உள்வரும் காட்சிப் பிரேம்களைத் தொடர்ந்து செயலாக்கிக்கொண்டே அமைப்பு பேசத் தொடங்கலாம். இதனால் கைகள் பயன்படுத்த முடியாத சூழல்களிலும் மனித உரையாடலைப் போன்ற வேகம் கிடைக்கிறது.

சிந்தித்தலையும் பேசுதலையும் வெளிப்படையாகப் பிரிப்பது மேம்பாட்டாளர்களுக்குக் கட்டுப்பாட்டை வழங்குகிறது. தகவல் மீட்டெடுப்பு அமைப்புகள் நிறுவன ஆவணங்களைக் கொண்டுவரலாம். கொள்கை வடிகட்டிகள் உள்ளடக்கத்தைச் சோதிக்கலாம். Talker ஒலியை உருவாக்குவதற்கு முன்பு பாதுகாப்புச் சோதனைகள் பகுத்தறிவுத் தடங்களை ஆய்வு செய்யலாம். பிராண்டுக்கு ஏற்றவாறு செயல்பட வேண்டிய நுகர்வோர் உதவியாளர்கள், தரவு கசிவைத் தவிர்க்க வேண்டிய நிறுவனச் சுருக்கக் கருவிகள், படிப்படியான வழிகாட்டல் தேவைப்படும் களக் கருவிகள் ஆகியவற்றுக்கு இந்த அணுகுமுறை பொருந்தும்.

கருவிப் பயன்பாடும் முகவர் அமைப்புகளும்

சிக்கலான பணிகளுக்காக Qwen3-Omni-ஐ வெளிப்புறக் கருவிகள், சேவைகளுடன் இணைக்கலாம். தேடலை இயக்குவது, தரவுத்தளங்களைக் கேள்வி கேட்பது, பணிச்செயல்முறை இயந்திரங்களைத் தொடங்குவது ஆகியவை இதில் அடங்கும். குறியீடு குறைவாக எழுதும் மற்றும் அதிகமாக எழுதும் அணிகள் கருவிகளை ஒன்றிணைத்து, பணிகளைத் திட்டமிட்டு, தயாரிப்புச் சூழலில் பயன்படுத்துவதற்காக அலிபாபா தனது கிளவுட் தளத்தில் முகவர் கட்டமைப்புகளையும் உருவாக்கி வருகிறது. Non Thinking Mode-இல் 49,000-க்கும் மேற்பட்ட டோக்கன்கள் கொண்ட சூழல் சாளரங்கள் இருப்பதால், நீண்ட பல்படிப் பணிநிலைகளைக் கையாளவும் முந்தைய செயல்களை நினைவில் கொள்ளவும் இந்த மாதிரியால் முடியும்.

ஏற்றுக்கொள்ளல், சந்தைகள், உத்தி

மேம்பாட்டாளர்களிடையே ஆர்வம் வேகமாக அதிகரித்துள்ளது. Qwen3 குடும்பத்தின் பல பதிப்புகள் முக்கிய மாதிரி மையத்தின் பிரபலப் பட்டியலில் பல முன்னணி இடங்களைப் பிடித்துள்ளன; Qwen3-Omni-30B-A3B பெரும்பாலும் முதலிடத்தில் உள்ளது. ஆராய்ச்சி, தொழில்துறை ஆகிய துறைகளில் கவனத்தை ஈர்த்து வரும் சீனாவின் திறந்த மாதிரிகளின் பரந்த அலையை இந்தத் தெரிவுநிலை பிரதிபலிக்கிறது.

சந்தை அறிகுறிகளும் இதே திசையைச் சுட்டுகின்றன. AI மற்றும் கிளவுட் விரிவாக்கம் குறித்த நம்பிக்கை அதிகரித்ததால், புதிய ஆய்வாளர் தரமுயர்த்தல்களும் உலகளாவிய முதலீட்டு நிதிகளின் புதுப்பிக்கப்பட்ட ஆர்வமும் அலிபாபா பங்குகளின் உயர்வுக்குத் துணைபுரிந்தன. சீனாவுக்கு வெளியேயுள்ள வாடிக்கையாளர்களை ஆதரிக்க, பிரேசில், பிரான்ஸ், நெதர்லாந்து ஆகிய நாடுகளில் புதிய தரவு மையங்களையும், பிற பிராந்தியங்களில் கூடுதல் திறனையும் திட்டமிட்டு, நிறுவனம் தனது தரவு மைய வலையமைப்பை விரிவுபடுத்துகிறது. AI உள்கட்டமைப்பிலும் அலிபாபா பெருமளவு முதலீடு செய்து வருகிறது. அடுத்த மூன்று ஆண்டுகளில் பல்லாயிரம் கோடி டாலர்களைச் செலவிட உறுதியளித்துள்ளதுடன், மொத்த AI மூலதனச் செலவும் அதிகரிக்கும் எனக் குறிப்பிட்டுள்ளது.

வன்பொருள் கூட்டாண்மைகளும் திட்டத்தின் ஒரு பகுதியாகும். பயிற்சி, உருவகப்படுத்தல், சரிபார்த்தல் போன்ற துறைகளுக்கான AI மேம்பாட்டுக் கருவிகளை ஒருங்கிணைக்க Nvidia-வுடன் மென்பொருள் ஒத்துழைப்பை அலிபாபா அறிவித்தது. மேம்பட்ட குறியீடு உருவாக்கம், முகவர் செயல்பாடுகளுக்காக ஒரு டிரில்லியனுக்கும் அதிகமான அளவுருக்களைக் கொண்ட பெரிய Qwen3 Max மாதிரியையும் நிறுவனம் முன்னோட்டமாகக் காட்டியது. ஊடாடும் உதவியாளர்களிலிருந்து கனரக ஆராய்ச்சி மாதிரிகள் வரை பரவியுள்ள விரிவான குடும்பத்தில் Qwen3-Omni எவ்வாறு பொருந்துகிறது என்பதை இது காட்டுகிறது.

அலிபாபாவின் கருத்துகள்

நிறுவனத்தின் வருடாந்திர மாநாட்டில் அலிபாபா குழுமத் தலைமைச் செயல் அதிகாரி எடி வு தனது நிலைப்பாட்டை முன்வைத்தார். ஹாங்சோவில் நடைபெற்ற மாநாட்டில், வளர்ச்சியின் அடுத்த கட்டத்துக்கான இரட்டை இயந்திரங்களாக AI-யையும் கிளவுடையும் அவர் விவரித்தார். சர்வதேச தரவு மையங்களை விரிவுபடுத்தவும், பயிற்சி, செயல்படுத்தல் தொடர்பான கூட்டாண்மைகளை ஆழப்படுத்தவும் உள்ள திட்டங்களையும் அவர் விளக்கினார்.

AI முதலீட்டை ஏன் அதிகரிக்கிறது என்பதை வு தனது உரையில் விளக்கினார்.

மின்னணு வணிகத்துடன் இணைந்து, AI-யும் கிளவுடும் அலிபாபாவின் வளர்ச்சி இயந்திரங்கள். உலகளாவிய தேவையைப் பூர்த்தி செய்யச் செலவினங்களையும் திறனையும் விரிவுபடுத்துவோம்.

பேச்சு, காட்சி ஆகிய துறைகளில் முந்தைய ஆய்வுகளை அடிப்படையாகக் கொண்டு இந்தப் புதிய அமைப்பை உருவாக்கிய விதத்தை Qwen குழுவின் ஆராய்ச்சியாளரான லின் ஜுன்யாங் விவரித்தார்.

Qwen3 Omni-ஐ உருவாக்க, அடித்தள ஒலி, படத் திட்டங்களை ஒன்றிணைத்தோம்.

அபாயங்கள், வரம்புகள், கவனிக்க வேண்டியவை

வலுவான தரநிலை முடிவுகள் இருந்தாலும், உண்மையான பயன்பாடு மட்டுமே பதிலளிக்கக்கூடிய கேள்விகள் எஞ்சியுள்ளன. நிஜ உலக ஒலியில் அதிகப் பின்னணி இரைச்சல், ஒரே நேரத்தில் பலர் பேசுதல் அல்லது அரிதான உச்சரிப்புகள் இடம்பெறலாம். காணொளிகளில் ஒளிப்பிரதிபலிப்பு, இயக்க மங்கல் அல்லது மறைப்பு இருக்கலாம். சிறப்புப் படவிளக்கங்களில் மிக உயர்ந்த கண்டறிதல் விகிதமோ, குறுகிய துறையில் விதிமுறைகளுக்கு இணங்கும் உரைமாற்றமோ உங்கள் சேவைக்குத் தேவைப்பட்டால், தரவு திரட்டலுக்கும் துறைசார் நுணுக்கப் பயிற்சிக்கும் நேரம் ஒதுக்குங்கள்.

தற்போதைய வெளியீடு 10 பேச்சு வெளியீட்டு மொழிகளை ஆதரிக்கிறது. இது ஏற்கெனவே பல சந்தைகளை உள்ளடக்கியிருந்தாலும், குறைவாகப் பயன்படுத்தப்படும் மொழிகள் தேவைப்படும் அணிகள் உரை வெளியீட்டையோ மூன்றாம் தரப்புப் பேச்சு இயந்திரங்களையோ பயன்படுத்த வேண்டியிருக்கும். Thinker-Talker பிரிப்பும் சில தேர்வுகளை முன்வைக்கிறது. சில நிறுவனங்கள் நீண்ட பகுத்தறிவை உரையிலேயே வைத்திருந்து, இறுதிப் பதில்களுக்கு மட்டும் பேச்சை உருவாக்க விரும்பலாம். வேகமான பேச்சுப் பதில்களுக்காகச் சுருக்கமான வெளியீடுகளை வேறு சிலர் ஏற்கலாம். இத்தகைய சமநிலைகளைப் பயனர் அனுபவ இலக்குகளுடன் ஒப்பிட்டு சோதிக்க வேண்டும்.

திறந்த மூல உரிமம் தயாரிப்புகளை உருவாக்குபவர்களுக்கு ஒரு பலம்; ஆனால், யாரும் இந்த மாதிரியை மாற்றியமைக்கலாம் என்பதையும் அது குறிக்கிறது. தவறான பயன்பாட்டைத் தடுக்க நிறுவனங்கள் உள்ளடக்க வடிகட்டிகள், தவறான பயன்பாட்டைக் கண்டறிதல், பயன்பாட்டுக் கண்காணிப்பு ஆகியவற்றைப் பயன்படுத்த வேண்டும். மறுபுறம், Apache 2.0 உரிமத்தில் உள்ள காப்புரிமை உரிமம், பயனர்களுக்கான அறிவுசார் சொத்து அபாயத்தைக் குறைக்கிறது. நிறுவன இணக்கக் குழுக்களுக்கு இது முக்கியக் காரணியாகும்.

மனிதருக்கு நெருக்கமான வேகத்தில் உரை, காட்சி, ஒலி ஆகியவற்றைக் கடந்து சிந்திக்கும் பல்மாதிரி உதவியாளரே இதன் இலக்கு. தேர்ந்தெடுக்கப்பட்ட மதிப்பீடுகளுக்கு வெளியேயும் Qwen3-Omni தனது திறனை நிரூபித்தால், உள்ளூர்க் கட்டுப்பாடு, கணிக்கக்கூடிய செலவு, பரந்த மேம்பாட்டாளர் சமூகத்தை விரும்பும் அணிகளுக்கு இயல்புநிலைத் தேர்வாக அது உருவாகலாம்.

முக்கிய அம்சங்கள்

• Qwen3-Omni உரை, படம், ஒலி, காணொளி உள்ளீடுகளை ஏற்று, உரை மற்றும் பேச்சை வெளியிடுகிறது.
• வணிகப் பயன்பாட்டுக்கான காப்புரிமை உரிமத்துடன் Apache 2.0-இன் கீழ் திறந்த மூலமாகக் கிடைக்கிறது.
• Thinker பகுத்தறிவைக் கையாள்கிறது; Talker பேச்சை உருவாக்குகிறது. வேகத்துக்காக இரண்டும் Mixture of Experts முறையைப் பயன்படுத்துகின்றன.
• முதல் பாக்கெட் தாமதம் ஒலிக்கு 234 மில்லிவினாடிகள், காணொளிக்கு 547 மில்லிவினாடிகள் எனத் தெரிவிக்கப்பட்டுள்ளது.
• உரைக்கு 119 மொழிகள், பேச்சு உள்ளீட்டுக்கு 19 மொழிகள், பேச்சு வெளியீட்டுக்கு 10 மொழிகள் ஆதரிக்கப்படுகின்றன.
• Instruct, Thinking, Captioner என மூன்று பதிப்புகள் கிடைக்கின்றன.
• API விலை, ஆயிரம் உரை டோக்கன்களுக்கு 0.00025 டாலரிலிருந்து தொடங்குகிறது; 10 லட்சம் டோக்கன்களுக்கான இலவசச் சோதனையும் உண்டு.
• பல பேச்சு, காணொளி, பகுத்தறிவுச் சோதனைகளில் முன்னிலை காட்டும் தரநிலை முடிவுகள் பதிவாகியுள்ளன.
• Hugging Face தரவரிசைகளும் முதலீட்டாளர் ஆர்வமும் வேகமான ஏற்றுக்கொள்ளலைக் குறிக்கின்றன.
• தரவு மையங்களை விரிவுபடுத்தி, Nvidia ஒத்துழைப்பை ஆழப்படுத்தி, Qwen3 குடும்பத்தையும் அலிபாபா வளர்த்து வருகிறது.