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

இது இப்போது ஏன் முக்கியம்: திறந்த பன்முக AI பரவலாகிறது

உரை, படங்கள், ஒலி, காணொளி ஆகியவற்றை உள்ளீடாகப் பெற்று, நிகழ்நேரத்தில் உரையாகவோ இயல்பான பேச்சாகவோ பதிலளிக்கக்கூடிய இலவச பன்முக செயற்கை நுண்ணறிவு மாதிரியான Qwen3-Omni-ஐ அலிபாபா வெளியிட்டுள்ளது. நான்கு வகையான உள்ளீடுகளையும் பின்னர் இணைப்பதற்குப் பதிலாக, ஒரே மாதிரிக்குள் ஒருங்கிணைக்கும் முதல் இயல்பான, தொடக்கம் முதல் முடிவு வரை செயல்படும் அனைத்து-பன்முக அமைப்பு இது என நிறுவனம் குறிப்பிடுகிறது. OpenAI, Google ஆகியவற்றின் முன்னணி அமைப்புகள் இன்னும் தனியுரிமத் தயாரிப்புகளாக இருக்கும் சந்தையில் இந்த வெளியீடு வந்துள்ளது. இதனால், மூடப்பட்ட தளங்களுக்கும் Apache 2.0 உரிமத்தின் கீழ் யாரும் பதிவிறக்கி, மாற்றி, பயன்படுத்தக்கூடிய திறந்த மூல மாற்று மாதிரிக்கும் இடையே தெளிவான வேறுபாடு உருவாகிறது.

இதன் வாக்குறுதி எளிமையானது. நிறுவனங்களும் உருவாக்குநர்களும் குறைந்த தாமதம், பரந்த மொழி ஆதரவு, பதில்களை வடிவமைக்கும் கருவிகள் ஆகியவற்றுடன் பல்வேறு ஊடக வகைகளிலும் செயல்படும் மாதிரியைப் பெறுகின்றனர். இதன் தாக்கம் தொழில்நுட்ப அளவுகோல்களைத் தாண்டிச் செல்கிறது. நிறுவனங்களுக்கு ஏற்ற திறந்த உரிமம், விற்பனையாளர் சார்புநிலையை நீக்கி, தங்களின் சொந்த உள்கட்டமைப்பில் மாதிரியை இயக்கும் வாய்ப்பை வழங்குகிறது. தங்களின் AI அமைப்புகளில் செலவு, கட்டுப்பாடு, செயல்திறன் ஆகியவற்றைச் சமநிலைப்படுத்த பல நிறுவனங்கள் முயலும் இந்த நேரத்தில் இது குறிப்பிடத்தக்க வேறுபாடாகும்.

Qwen3-Omni, அனைத்து-பன்முக மாதிரிகளின் அலைக்குப் பிறகு வந்துள்ளது. OpenAI-யின் GPT-4o உரை, படம், ஒலி ஆகியவற்றை ஒருங்கிணைத்தது. Google-இன் Gemini 2.5 Pro காணொளிப் பகுப்பாய்வைச் சேர்த்தது. அந்த அமைப்புகள் கட்டண அடிப்படையிலும் மூடப்பட்டவையாகவும் உள்ளன. Qwen3-Omni காணொளிப் புரிதல், பேச்சு உள்ளீடு, பேச்சு வெளியீடு ஆகியவற்றை ஒரே தொகுப்பில் கொண்டுவருகிறது; இதைச் சமூகத்தினர் ஆய்வுசெய்து மேலும் உருவாக்கலாம். உருவாக்குநர் தளங்களில் பெரும் வரவேற்பைப் பெற்று, போட்டிச் சூழலை மறுவடிவமைக்கும் சீனத் திறந்த AI திட்டங்களின் வளர்ச்சியையும் இந்த வெளியீடு பிரதிபலிக்கிறது.

Qwen3-Omni என்றால் என்ன, அது எவ்வாறு செயல்படுகிறது

Qwen3-Omni, Thinker மற்றும் Talker எனப்படும் இரண்டு பகுதிகளைக் கொண்ட வடிவமைப்பைப் பயன்படுத்துகிறது. செயல்முறையின் வெவ்வேறு கட்டங்களுக்கென இவை ஒவ்வொன்றும் மேம்படுத்தப்பட்டுள்ளன. பன்முகப் புரிதல், பகுத்தறிதல், உரை உருவாக்கம் ஆகியவற்றை Thinker கையாள்கிறது. அங்கீகரிக்கப்பட்ட வெளியீடுகளைப் பேச்சாக மாற்றுவதுடன், பேச்சையும் காட்சிகளையும் ஒருங்கிணைப்பதை Talker செய்கிறது. இரு பகுதிகளும் Mixture of Experts கட்டமைப்பைச் சார்ந்தவை. இதில், தேவையானபோது மட்டுமே செயல்படும் சிறப்புப் பெற்ற அளவுருக் குழுக்களாக மாதிரி பிரிக்கப்படுகிறது. ஒவ்வொரு கோரிக்கைக்கும் எல்லா அளவுருக்களையும் இயக்க வேண்டியதில்லை என்பதால், இதனால் ஊகச் செயலாக்கம் வேகமாகவும் அதிக அளவில் விரிவாக்கக்கூடியதாகவும் அமைகிறது.

Thinker, Talker விளக்கம்

Qwen3-Omni-யில் உள்ளீடுகளைப் பெற்று, உரை, படங்கள், ஒலி, காணொளி ஆகியவற்றிலிருந்து வரும் தகவல்களை ஒருங்கிணைத்து, முக்கியப் பதிலை உரை வடிவில் Thinker உருவாக்குகிறது. நீண்ட சூழல் பகுத்தறிதல், கருவிப் பயன்பாடு, தகவல் மீட்டெடுப்பு, பாதுகாப்பு வடிகட்டிகள் ஆகியவை இங்கு செயல்படலாம். முக்கியமாக, Thinker-இன் உரை டோக்கன்களை அடிப்படையாகக் கொண்டே Talker செயல்பட வேண்டும் என்ற கட்டாயம் இல்லை. மாறாக, அது ஒலி மற்றும் காட்சிப் பண்புகளை நேரடியாக அடிப்படையாகக் கொள்கிறது. இந்தத் தெரிவு, மொழிபெயர்ப்பின்போது அசல் பேச்சாளரின் காலநேரத்தையும் அழுத்தத்தையும் பொருத்திய பேச்சை உருவாக்கவோ, திரையில் தோன்றும் காட்சிகளுக்கு ஏற்ப பேச்சின் வேகத்தை ஒருங்கிணைக்கவோ உதவுகிறது. மேலும், Thinker-இன் வெளியீடுகளை வெளிப்புறக் கூறுகள் பரிசீலிக்கவோ மாற்றியமைக்கவோ செய்த பிறகு, Talker அவற்றை ஒலியாக மாற்றுவதால், பணிச்செயல்முறையைக் கட்டுப்படுத்தவும் இது உதவுகிறது.

பேச்சுக்காக, Qwen3-Omni பல குறியீட்டுப் புத்தகங்களைக் கொண்ட தானியங்கு மீளுருவாக்க முறையைப் பயன்படுத்துகிறது. இதில் சுருக்கமான ஒலியியல் டோக்கன்கள் கணிக்கப்பட்டு, பின்னர் இலகுவான Code2Wav வலையமைப்பின் மூலம் அலைவடிவங்களாக மாற்றப்படுகின்றன. குரலின் நுட்பங்களைப் பாதுகாத்தபடி தாமதத்தைக் குறைக்கிறது இந்த வடிவமைப்பு. Audio Transformer எனப்படும் ஒலி குறியாக்கி, தொடரோட்டத்திலும் இணையமில்லா செயலாக்கத்திலும் பயன்படுவதற்காகப் புதிதாகப் பயிற்றுவிக்கப்பட்டது.

குறைந்த தாமதத் தொடரோட்டத்துக்காக உருவாக்கப்பட்டது

நேரடி உரையாடல் பயன்பாட்டை Qwen3-Omni இலக்காகக் கொண்டுள்ளது. ஒலிக்கு முதல் தொகுப்பை வழங்கும் தொடக்கம் முதல் முடிவு வரையிலான தாமதம் சுமார் 234 மில்லி விநாடிகள் என்றும், காணொளிக்கு சுமார் 547 மில்லி விநாடிகள் என்றும் அமைப்பு தெரிவிக்கிறது. இது ஒன்றுக்குக் குறைவான நிகழ்நேரக் காரணியில் செயல்படுகிறது; அதாவது, உள்ளீடு பெறப்படும் வேகத்துக்கு இணையாகவோ அதைவிட வேகமாகவோ வெளியீட்டை உருவாக்க முடியும். குரல் முகவர்கள், அழைப்பு மைய உதவிக் கருவிகள், கூட்டப் பதிவெழுத்தாக்கம், தாமதம் உரையாடல் ஓட்டத்தைப் பாதிக்கும் பிற சூழல்களில் இது முக்கியமானது.

மொழி ஆதரவும் சூழல் வரம்புகளும்

உரைப் பயன்பாட்டுக்கு 119 மொழிகளையும், பேச்சு உள்ளீட்டுக்கு 19 மொழிகளையும், பேச்சு வெளியீட்டுக்கு 10 மொழிகளையும் இந்த மாதிரி ஆதரிக்கிறது. நீண்ட உரையாடல்களையும் கையாள முடியும். Thinking Mode-இல் 65,536 டோக்கன் சூழல் சாளரமும், அதிகபட்சமாக 32,768 டோக்கன் பகுத்தறிதல் தொடரும் கிடைக்கின்றன. Non Thinking Mode-இல் 49,152 டோக்கன் சூழல் பயன்படுத்தப்படுகிறது. உள்ளீடு, வெளியீடு இரண்டின் அதிகபட்ச அளவும் 16,384 டோக்கன்கள். ஒரு அமர்வில் மாதிரி எவ்வளவு உள்ளடக்கத்தைப் பெறவும் உருவாக்கவும் முடியும் என்பதை இந்த வரம்புகள் தீர்மானிக்கின்றன; காணொளிப் பதிவெழுத்துகளுக்கும் நீண்ட ஆவணங்களுக்கும் இது குறிப்பாகப் பொருத்தமானது.

பதிப்புகளும் பயன்பாட்டு விருப்பங்களும்

வெவ்வேறு பணிகளுக்கென மேம்படுத்தப்பட்ட Qwen3-Omni-30B-A3B-இன் மூன்று பதிப்புகளை அலிபாபா வெளியிடுகிறது.

Instruct மாதிரி Thinker, Talker ஆகியவற்றை ஒருங்கிணைக்கிறது. இது உரை, படங்கள், ஒலி, காணொளி ஆகியவற்றை ஏற்று, உரையிலும் பேச்சிலும் பதிலளிக்கிறது. Thinking மாதிரி பகுத்தறிதல் மற்றும் நீண்ட சிந்தனைத் தொடர் தேவைப்படும் பணிகளில் கவனம் செலுத்துகிறது. அதே உள்ளீடுகளை ஏற்றாலும், உரையை மட்டுமே வெளியிடுகிறது. குரலைவிட விரிவான எழுத்துப்பூர்வப் பதில்கள் முக்கியமான சூழல்களுக்கு இது பொருத்தமானது. Captioner மாதிரி ஒலி விளக்க உரைகளை உருவாக்குவதற்காகச் சிறப்புப் பயிற்சி பெற்றது; கற்பனையாகத் தகவல் உருவாக்குவதைக் குறைப்பதில் கவனம் செலுத்தி, விரிவான உரை விளக்கங்களை வழங்குகிறது. இந்த மூன்று பதிப்புகளும் பரந்த பன்முகத் தொடர்பு, ஆழமான பகுத்தறிதல், சிறப்புவாய்ந்த ஒலி புரிதல் ஆகியவற்றை உள்ளடக்குகின்றன.

Qwen3-Omni-ஐ உள்ளகப் பயன்பாட்டுக்குப் பெறலாம்; மேகக் கணினி வழியாகவும் பயன்படுத்தலாம். அதிகாரப்பூர்வக் களஞ்சியத்திலும் சமூக மையங்களிலும் இருந்து உருவாக்குநர்கள் மாதிரியின் எடைகளைப் பதிவிறக்கலாம்; அல்லது அலிபாபாவின் API வழியாக வேகமான Flash பதிப்பைப் பயன்படுத்தலாம். பேச்சு அங்கீகாரம், மொழிபெயர்ப்பு, இசைப் பகுப்பாய்வு, OCR, ஒலி-காணொளி உரையாடல் போன்ற பணிகளுக்கான செய்முறைத் தொகுப்புகள், விரைவு தொடக்க வழிகாட்டி, Docker நிறுவல் குறிப்புகள் ஆகியவை திட்ட ஆவணங்களில் வழங்கப்பட்டுள்ளன. GitHub களஞ்சியம் இங்கே: https://github.com/QwenLM/Qwen3-Omni.

மேக API-ஐச் சோதிக்கும் குழுக்களுக்கு, செயல்படுத்திய நாளிலிருந்து 90 நாட்களுக்குச் செல்லுபடியாகும் வகையில், பல்வேறு ஊடக வகைகளில் மொத்தம் ஒரு மில்லியன் டோக்கன்களுக்கான இலவசப் பயன்பாட்டு ஒதுக்கீட்டை அலிபாபா வழங்குகிறது. API-ஐப் பயன்படுத்தும்போது Non Thinking Mode-இல் மட்டுமே ஒலி வெளியீடு கிடைக்கும். தொடக்கச் சோதனைகளின்போது முன்னோட்டத் திட்டங்களைத் திட்டமிடவும் செலவுகளை மதிப்பிடவும் இந்த விவரங்கள் முக்கியம்.

பயிற்சிச் செயல்முறை ஒரு பார்வையில்

Qwen3-Omni, பெரிய அளவிலான முன்பயிற்சியையும் இலக்கிட்ட பின்பயிற்சியையும் இணைக்கும் பலகட்டச் செயல்முறையில் பயிற்றுவிக்கப்பட்டது. சுமார் 0.6 பில்லியன் அளவுருக்களைக் கொண்ட Audio Transformer, ஒலி குறியாக்கியாகச் செயல்படுகிறது. 20 மில்லியன் மணிநேர மேற்பார்வையுடனான ஒலித் தரவுகளைக் கொண்டு இது பயிற்றுவிக்கப்பட்டது. தரவுக் கலவையில் சுமார் 80 சதவீதம் சீன, ஆங்கிலப் பேச்சு அங்கீகாரமும்; 10 சதவீதம் பிற மொழிகளின் பேச்சு அங்கீகாரமும்; 10 சதவீதம் ஒலி புரிதல் பணிகளும் இடம்பெற்றன. நிகழ்நேரத் தேக்ககத்துக்கும் இணையமில்லா செயலாக்கத்துக்கும் ஏற்றவாறு இந்தக் குறியாக்கி வடிவமைக்கப்பட்டுள்ளது.

முன்பயிற்சி மூன்று கட்டங்களாக நடந்தது. Encoder alignment எனப்படும் முதல் கட்டத்தில், மொழி மாதிரியின் மையப் பகுதி உறையவைக்கப்பட்டபோது, காட்சி மற்றும் ஒலி குறியாக்கிகள் பயிற்றுவிக்கப்பட்டன. இது ஆரம்பகட்ட ஒருங்கிணைப்பின்போது மாதிரியின் புலனுணர்வுத் திறன் குறைவதைத் தடுத்தது. General training எனப்படும் இரண்டாம் கட்டத்தில், உரை, ஒலி, படங்கள், மேலும் குறைந்த அளவில் காணொளி மற்றும் ஒலி-காணொளி மாதிரிகள் ஆகியவற்றை உள்ளடக்கிய சுமார் 2 டிரில்லியன் டோக்கன் தரவுத்தொகுப்பு பயன்படுத்தப்பட்டது. மூன்றாம் கட்டத்தில், நீண்ட ஒலி, காணொளி உள்ளடக்கங்கள் கூடுதலாகச் சேர்க்கப்பட்டு, அதிகபட்ச டோக்கன் நீளம் 8,192-இலிருந்து 32,768-ஆக உயர்த்தப்பட்டது. இதன் மூலம் நீண்ட தொடர்களைக் கையாளும் திறன் வலுப்படுத்தப்பட்டது.

பின்பயிற்சி, பகுத்தறிதல் மற்றும் பேச்சுத் தரம் ஆகிய இரண்டிலும் கவனம் செலுத்தியது. Thinker-க்கு மேற்பார்வையுடனான நுணுக்கப் பயிற்சி, வலுவிலிருந்து பலவீனத்திற்கான அறிவுப் பரிமாற்றம், விதி சார்ந்த பின்னூட்டமும் மாதிரி மதிப்பீட்டாளரின் மதிப்பெண் வழங்கலும் கலந்த GSPO மேம்படுத்தல் ஆகியவை வழங்கப்பட்டன. Talker, பலநூறு மில்லியன் பன்முகப் பேச்சு மாதிரிகளுடன் நான்கு கட்டச் செயல்முறையைப் பின்பற்றியதுடன், தேர்ந்தெடுக்கப்பட்ட தரவுகளில் தொடர்ச்சியான முன்பயிற்சியும் பெற்றது. கற்பனையாகத் தகவல் உருவாக்கும் விகிதத்தைக் குறைப்பதும், பேச்சின் இயல்புத்தன்மையை மேம்படுத்துவதும் இதன் இலக்குகளாக இருந்தன.

செயல்திறனும் சிறப்பாகச் செயல்படும் துறைகளும்

நிறுவனம் வெளியிட்டுள்ள பொதுத் தரநிலைச் சோதனைகளில், உரை மற்றும் காட்சி சார்ந்த பணிகளிலும் உயர்ந்த மதிப்பெண்களைத் தக்கவைத்தபடி, பேச்சு, ஒலி, காணொளி புரிதலில் Qwen3-Omni வலுவான முடிவுகளைக் காட்டுகிறது. பல திறந்த தரவரிசைகளில் முன்னிலை வகிப்பதுடன், மூடப்பட்ட அமைப்புகளுக்கு நிகரான போட்டித்தன்மைமிக்க முடிவுகளையும் பதிவு செய்கிறது.

உரை மற்றும் பகுத்தறிதலில், AIME25-இல் 65.0 மதிப்பெண்ணும் ZebraLogic-இல் 76.0 மதிப்பெண்ணும் இந்த மாதிரி பெற்றுள்ளது. WritingBench-இல் 82.6 மதிப்பெண் பெற்றுள்ளது. பேச்சு மற்றும் ஒலியில், Wenetspeech-இல் சொல் பிழை விகிதங்கள் முறையே 4.69 மற்றும் 5.89 ஆகவும், Librispeech other-இல் 2.48 ஆகவும் பதிவாகியுள்ளன. இசைப் பணிகளிலும் இது வலுவாகச் செயல்பட்டு, GTZAN-இல் 93.0, RUL MuchoMusic-இல் 52.0 மதிப்பெண்களைப் பெற்றுள்ளது. படம் மற்றும் காட்சிப் புரிதலில் HallusionBench 59.7, MMMU pro 57.0, MathVision full 56.3 எனப் பதிவாகியுள்ளன. காணொளியில் MLVU-இல் 75.2 மதிப்பெண் கிடைத்துள்ளது. வெளிப்புற மதிப்பீடுகளிலும் இவை உறுதிசெய்யப்பட்டால், வழக்கமான உரைப் பணிகளையும் மேம்பட்ட ஒலி, காணொளிப் புரிதலையும் சமநிலைப்படுத்தும் மாதிரி இது என்பதைக் காட்டும்.

இரண்டு நுணுக்கமான அம்சங்களைக் கவனிக்க வேண்டும். முதலாவது, பல முடிவுகள் நிறுவனமே வெளியிட்டவை. அன்றாடச் செயல்திறனை முழுமையாகப் புரிந்துகொள்ள, விரிவான சோதனைத் தொகுப்புகளில் சுயாதீனமாக மீளாய்வு செய்வது அவசியம். இரண்டாவது, நான்கு வகையான உள்ளீடுகளைக் கையாளும் ஒரே மாதிரியை உருவாக்குவது சில சமரசங்களை ஏற்படுத்தலாம். பல்வேறு ஊடக வகைகளிலும் சமமான செயல்திறன் இருப்பதாக நிறுவனப் பொருட்கள் காட்ட முயன்றாலும், முந்தைய உரைக்கு முன்னுரிமை அளித்த Qwen பதிப்புகள் சில குறுகிய பணிகளில் தூய உரை வெளியீட்டில் சற்றே சிறப்பாக இருந்ததாகச் சில சமூக மதிப்பாய்வாளர்கள் கவனித்துள்ளனர். இது சிறப்புப் பணிக்கான மாதிரிகளுக்கும் பொதுப் பயன்பாட்டு மாதிரிகளுக்கும் இடையே உள்ள வழக்கமான இழுபறியாகும். தற்போதைய வெளியீடு அந்த இடைவெளியைக் குறைப்பதுடன், சிறப்புப் பணிக்கான மாதிரிகளால் ஈடுசெய்ய முடியாத ஊடகங்களிடையேயான செயல்பாடுகளையும் திறக்கிறது.

விலை, பயன்பாட்டு ஒதுக்கீடுகள், வரம்புகள்

உள்ளகப் பயன்பாட்டுக்காக Apache 2.0 உரிமத்தின் கீழ் Qwen3-Omni திறந்த மூலமாகக் கிடைக்கிறது. அலிபாபாவின் API வழியாக நிர்வகிக்கப்பட்ட அணுகலைப் பெறும்போது, டோக்கன் எண்ணிக்கையின் அடிப்படையில் கட்டணம் கணக்கிடப்படும். Thinking Mode, Non Thinking Mode ஆகிய இரண்டுக்கும் டோக்கன் ஒன்றுக்கான கட்டணம் ஒரே மாதிரியாகும். ஒலி வெளியீடு Non Thinking Mode-இல் மட்டுமே வழங்கப்படுகிறது.

1,000 உள்ளீட்டு டோக்கன்களுக்கான கட்டணம்

• உரை உள்ளீடு: 0.00025 அமெரிக்க டாலர்கள்
• ஒலி உள்ளீடு: 0.00221 அமெரிக்க டாலர்கள்
• படம் அல்லது காணொளி உள்ளீடு: 0.00046 அமெரிக்க டாலர்கள்

1,000 வெளியீட்டு டோக்கன்களுக்கான கட்டணம்

• உரை மட்டுமே உள்ளீடாக இருக்கும்போது உரை வெளியீடு: 0.00096 அமெரிக்க டாலர்கள்
• உள்ளீட்டில் படம் அல்லது ஒலி இருக்கும்போது உரை வெளியீடு: 0.00178 அமெரிக்க டாலர்கள்
• உரை மற்றும் ஒலி வெளியீடு: ஒலிப் பகுதிக்கு 0.00876 அமெரிக்க டாலர்கள்; உரை இலவசம்

இலவசத் திட்டம்: பல்வேறு ஊடக வகைகளிலும் ஒரு மில்லியன் டோக்கன்கள்; செயல்படுத்திய நாளிலிருந்து 90 நாட்களுக்குச் செல்லுபடியாகும். Thinking Mode-இல் 65,536 டோக்கன்களும், Non Thinking Mode-இல் 49,152 டோக்கன்களும் எனப் போதுமான அளவிலான சூழல் வரம்புகள் உள்ளன. ஒரு உள்ளீட்டின் அதிகபட்ச அளவு 16,384 டோக்கன்கள்; வெளியீட்டின் அதிகபட்ச அளவும் 16,384 டோக்கன்கள். பகுத்தறிதல் தொடரின் அதிகபட்ச நீளம் 32,768 டோக்கன்கள். உற்பத்திப் பயன்பாட்டில் நீண்ட ஊடகங்களையும் ஆவணங்களையும் எவ்வாறு துண்டாக்குவது என்பதை இந்த வரம்புகள் வழிநடத்துகின்றன.

நிறுவனங்களுக்கு இது ஏன் முக்கியம்

இந்தக் கதையின் மைய அம்சமாக இருப்பது உரிமம். வணிகப் பயன்பாடு, மாற்றம், மறுவிநியோகம் ஆகியவற்றுக்கான உரிமைகளை Apache 2.0 வழங்குகிறது. காப்புரிமை உரிமமும் இதில் அடங்குவதால், மாதிரியைத் தனியுரிம அமைப்புகளின் ஒரு பகுதியாகப் பயன்படுத்தும்போது சட்டரீதியான ஆபத்து குறைகிறது. திருத்தப்பட்ட படைப்புகளை வெளியிட வேண்டிய கட்டாயம் இல்லை; நுணுக்கமாகப் பயிற்றுவிக்கப்பட்ட பதிப்புகளைத் தனிப்பட்டதாக வைத்திருக்க வேண்டிய நிறுவனங்கள் இதனால் எளிதாக ஏற்றுக்கொள்ளலாம். செலவுகள், பயன்பாட்டு விகித வரம்புகள், மாதிரியின் நடத்தை ஆகியவை எந்தத் தீர்வும் பெற முடியாமல் மாறக்கூடிய, விற்பனையாளர் கட்டுப்பாட்டிலான மூடப்பட்ட அமைப்புக்கு இது நேர்மாறானது.

கட்டமைப்புத் தெரிவுகளிலும் இந்த வெளியீடு தாக்கத்தை ஏற்படுத்துகிறது. பல நிறுவனங்கள் பல மாதிரிகளைக் கொண்ட கட்டமைப்பை நோக்கி நகர்கின்றன. பணிக்கேற்ப திறந்த, மூடப்பட்ட மாதிரிகளைக் கலக்கின்றன; வழக்கமான பணிகளுக்கு வேகமான சிறிய மாதிரிகளையும், சிக்கலான பகுத்தறிதலுக்கு பெரிய மாதிரிகளையும் இணைக்கின்றன; தரவுக் கட்டுப்பாட்டுக்காக சில பணிச்சுமைகளைத் தங்களின் வளாகத்திலேயே வைத்திருக்கின்றன. பேச்சு சார்ந்த சூழல்கள், பல்மொழிச் சூழல்கள், காணொளி அதிகமுள்ள பணிச்செயல்முறைகள் ஆகியவற்றுக்கு Qwen3-Omni-யின் பரந்த திறன்கள் பொருத்தமானதாக அமைகின்றன. ஒரே மாதிரியில் பல்வேறு ஊடக வகைகளைக் கையாள்வதால், தனித்தனியாகப் பயிற்றுவித்து பராமரிக்க வேண்டிய அமைப்புகளின் எண்ணிக்கையைக் குறைக்க முடியும்.

வெற்றிகரமான பயன்பாட்டுக்கு இன்னும் ஒழுங்கான நடைமுறைகள் தேவை. பாதுகாப்பு மதிப்பாய்வுகள், தனியுரிமைக் கட்டுப்பாடுகள், மதிப்பீட்டுக் கட்டமைப்புகள், நுணுக்கப் பயிற்சி செயல்முறைகள் ஆகியவை அடிப்படைத் தேவைகளாக உள்ளன. மாதிரியின் திறந்த தன்மை தணிக்கை செய்வதையும் மேம்படுத்துவதையும் எளிதாக்குகிறது; அதேவேளை பாதுகாப்பு, விதிமுறை இணக்கம் ஆகியவற்றுக்கான பொறுப்பை அதைப் பயன்படுத்துபவரிடம் ஒப்படைக்கிறது. MLOps, கருவிப் பயன்பாடு, பாதுகாப்புக் கட்டுப்பாடுகள் ஆகியவற்றில் முதலீடு செய்யும் குழுக்கள் இதிலிருந்து அதிகப் பலன் பெறும்.

பயன்பாடுகள்: தொடர்பு மையங்கள் முதல் களப் பணிவரை

இந்த மாதிரியின் வலிமைக்கு ஏற்ற பல்வேறு சூழல்களை அலிபாபா எடுத்துக்காட்டுகிறது. பல்மொழிப் பதிவெழுத்தாக்கத்தையும் மொழிபெயர்ப்பையும் குறைந்த தாமதப் பேச்சு வெளியீட்டுடன் இணைத்து நேரடி உரையாடல்களில் பயன்படுத்தலாம். ஒலி விளக்க உரைகள் ஊடகத் தயாரிப்புக்கும் உள்ளடக்க அணுகல்தன்மைக்கும் உதவும். படிவங்கள், ரசீதுகள், வரைபடங்கள் ஆகியவற்றின் படங்களுக்கும் OCR மற்றும் ஆவணப் புரிதலைப் பயன்படுத்தலாம். இசைக் குறியிடலும் ஒலிப் பகுப்பாய்வும் ஊடகத் தொகுப்புகளுக்கும் படைப்புக் கருவிகளுக்கும் உதவுகின்றன. காணொளிப் புரிதல், பயிற்சிக் காணொளிகள் அல்லது உபகரணச் செயல்விளக்கங்கள் மூலம் உள்ளடக்கத்தை அட்டவணைப்படுத்தவும், வழிசெலுத்தவும், வழிமுறைகளைப் பின்பற்றவும் உதவுகிறது.

தொழில்நுட்ப ஆதரவு ஓர் எடுத்துக்காட்டு. வாடிக்கையாளர் தொலைபேசி வழியாகக் காணொளியை நேரடியாகப் பகிரும்போது, திரையிலுள்ள உரையை மாதிரி வாசிக்கவும், சுற்றுப்புற ஒலியைக் கேட்கவும், படிப்படியான வழிகாட்டுதலைப் பேச்சுப் பதில்களுடன் வழங்கவும் முடியும். மெனுக்கள் அல்லது வழிகாட்டிப் பலகைகளை நிகழ்நேரத்தில் மொழிபெயர்க்கும் அணியக்கூடிய உதவிக் கருவி மற்றொரு எடுத்துக்காட்டு. தொனி, ஆளுமை, துறை சார்ந்த எல்லைகளை அமைக்க, அமைப்புக் கட்டளைகள் மூலம் உருவாக்குநர்கள் அதன் நடத்தையை வழிநடத்தலாம்; திறன்களை விரிவாக்க தகவல் மீட்டெடுப்பு, கணிப்பான்கள் அல்லது மூன்றாம் தரப்புக் கருவிகளையும் இணைக்கலாம்.

ஏற்றுக்கொள்ளப்படும் நிலையும் உலகளாவிய சூழலும்

ஆரம்பகட்ட வரவேற்பு, உருவாக்குநர் சமூகத்திடையே வலுவான ஆர்வம் இருப்பதைக் காட்டுகிறது. பிரபல AI மையங்களில் பிரபலமடைந்து வரும் மாதிரிகளின் பட்டியல்களில் Qwen3-Omni-யின் பதிப்புகள் முதலிடத்தை எட்டின; மற்ற Qwen மாதிரிகளும் கூடுதல் முன்னணி இடங்களைப் பிடித்தன. மேற்கத்திய முன்னணி நிறுவனங்களுடன் நேரடியாகப் போட்டியிடும் சீனக் குழுக்களின் திறந்த அமைப்புகளை நோக்கி ஏற்படும் பரந்த மாற்றத்தை இந்த எழுச்சி எடுத்துக்காட்டுகிறது. சந்தையில், இந்த வெளியீட்டுக்குக் கிடைத்த அதிகக் கவனமுள்ள நாளில் அலிபாபாவின் ஹாங்காங் பங்குகள் நான்கு சதவீதத்துக்கும் சற்றே அதிகமாக உயர்ந்தன.

குறிப்பாக ஒலி, காணொளி அதிகம் பயன்படுத்தப்படும் சூழல்களில், திறந்த மாற்று மாதிரியானது மூடப்பட்ட அமைப்புகளின் விலை நிர்ணயத்திலும் தயாரிப்பு உத்தியிலும் அழுத்தத்தை ஏற்படுத்தும். நீண்டகாலக் கொள்முதல் நடைமுறைகள் இன்றி யோசனைகளைச் சோதிக்க வேண்டிய நிறுவனங்கள், இப்போது குறைந்த செலவில் அனைத்து-பன்முக மாதிரியை இயக்கலாம். நிஜ உலகச் செயல்திறன் தெரிவிக்கப்பட்ட தரநிலைச் சோதனை முடிவுகளுடன் ஒத்திருந்தால், தொடர்பு மையங்கள், ஊடகத் தயாரிப்பு, கல்வி, மருத்துவப் பதிவெழுத்தாக்கம், தொழில்துறைப் பராமரிப்பு ஆகிய துறைகளில் பன்முக உதவியாளர்களின் பயன்பாட்டை இந்த வெளியீடு விரைவுபடுத்தக்கூடும்.

சுருக்கமாக

• Qwen3-Omni என்பது உரை, படம், ஒலி, காணொளி ஆகியவற்றை ஏற்று, உரையிலும் பேச்சிலும் பதிலளிக்கும், நிகழ்நேரப் பயன்பாட்டுக்கு மேம்படுத்தப்பட்ட திறந்த மூல மாதிரி.
• வேகம் மற்றும் அளவுக்கேற்ற விரிவாக்கத்துக்காக Mixture of Experts உடன் Thinker, Talker கட்டமைப்பையும், தனிப்பயன் Audio Transformer மற்றும் Code2Wav மாற்றியையும் இந்த அமைப்பு பயன்படுத்துகிறது.
• ஒலிக்கு சுமார் 234 மில்லி விநாடிகளும், காணொளிக்கு சுமார் 547 மில்லி விநாடிகளும் தாமத இலக்குகளாக உள்ளன; தொடரோட்டம் ஒன்றுக்குக் குறைவான நிகழ்நேரக் காரணியில் நடைபெறுகிறது.
• உரைக்கு 119 மொழிகள், பேச்சு உள்ளீட்டுக்கு 19 மொழிகள், பேச்சு வெளியீட்டுக்கு 10 மொழிகள் என மொழி ஆதரவு உள்ளது; சூழல் சாளரம் 65,536 டோக்கன்கள் வரை நீள்கிறது.
• மூன்று பதிப்புகள் கிடைக்கின்றன: முழுமையான பன்முக உள்ளீடு, வெளியீட்டுக்கு Instruct; உரை மட்டும் கொண்ட பகுத்தறிதலுக்கு Thinking; விரிவான ஒலி விளக்க உரைகளுக்கு Captioner.
• Apache 2.0 உரிமத்தின் கீழ் திறந்த மூலமாகக் கிடைப்பதுடன், API சோதனைகளுக்கு ஒரு மில்லியன் டோக்கன் இலவச ஒதுக்கீடும், மேக அணுகலுக்கு டோக்கன் அடிப்படையிலான கட்டணமும் வழங்கப்படுகின்றன.
• நிறுவனம் வெளியிட்ட தரநிலைச் சோதனைகள், பேச்சு, ஒலி, காணொளி, உரை ஆகியவற்றில் வலுவான முடிவுகளையும் பல துறைகளில் அதிநவீன மதிப்பெண்களையும் காட்டுகின்றன.
• மதிப்பீடு மற்றும் பாதுகாப்பில் முதலீடு செய்யும் நிறுவனங்கள், விற்பனையாளர் சார்புநிலையின்றி பன்முக AI-ஐப் பயன்படுத்தவும், தனிப்பயனாக்கவும், இயக்கவும் செலவில்லாத வழியைப் பெறுகின்றன.
• உருவாக்குநர் தளங்களில் Qwen மாதிரிகள் பிரபலமடைந்து, சீனத் திறந்த AI அமைப்புகள் மீதான ஆர்வம் அதிகரித்து வருவதால், சமூகத்தின் ஏற்றுக்கொள்ளல் வேகமாக உள்ளது.