Аудіовізуальна вібраційна кодування з Qwen3.5-Omni: написання коду за допомогою лише відео
https://ift.tt/WaeZVLr
Qwen3.5-Omni було випущено сьогодні (30 березня 2026 року) лабораторією Tongyi від Alibaba. Ця омні-модальна модель може розуміти текст, зображення, аудіо та відео, а також генерувати як текст, так і мову. Основні характеристики: архітектура Thinker-Talker з Hybrid-Attention Mixture of Experts, контекст 256K токенів, понад 100 млн годин мультимодального навчання, розпізнавання мов понад 113 мов, технологія ARIA для узгодження тексту та мови, та Audio-Visual Vibe Coding (дивіться відео та пишіть функціональний код). Перевершує Gemini 3.1 Pro у розумінні аудіо/відео та поступається ElevenLabs/GPT-Audio у голосових бенчмарках. Доступ через DashScope API або HuggingFace Transformers (80 ГБ VRAM для повної моделі).
Продовжити читання
Аудіовізуальна вібраційна кодування з Qwen3.5-Omni: написання коду з відео лише
на SitePoint.
HI-FI News
via SitePoint https://ift.tt/V3PXn1q
31 березня 2026 р. о 07:49PM
March 31, 2026 at 07:49PM
Залишити відповідь