Egy új mesterséges intelligencia modell, a Qwen 3.8 Omni Flash került bemutatásra, amely képes szöveget, képet, hangot és videót egyidejűleg kezelni és értelmezni akár egymillió tokenes kontextusban. Az alkotó részletesen demonstrálja, hogy a modell milyen alaposan vizsgál képeket, felismer bizonyos tárgyakat, és részletességgel elemzi például egy tetoválás szimbolikáját.
Tesztelés során szó esik arról, mennyire kiemelkedően teljesít az Omni Flash különböző benchmarkokon – főként hangalapú feladatokban –, és hogy lényegesen olcsóbb működést biztosít, mint más versenytársai. Külön figyelmet kap a modell logikai érvelése is, amely pontos és sokszor több lépésből álló gondolkodást mutat.
Az építészeti áttekintés alapján világossá válik, hogy a Qwen rendszere képes automatikus filmnarrációra, zenés videók generálására vagy drámai művek többnyelvű fordítására is, miközben megőrzi az eredeti beszélők hangját. Bemutatásra kerül az is, hogyan kezeli a modell egyszerre több csatornáról érkező multimodális inputokat – például egy tudományos ábrát és egy független hangfelvételt –, valamint mennyire éri el a valósághű értékelést, még gyenge minőségű anyagok esetében is.
A tesztek során izgalmas kérdések vetődnek fel: hogyan azonosítja a modell a beszélt nyelvet, miképpen fordítja le az adott tartalmat sokféle nyelvre, illetve milyen mélységekig képes összehangolni a különféle modalitásokból származó információkat. Érdekes szempont az is, hogy bizonyos esetekben a többnyelvűség pontossága eltérő lehet – erről a bemutató készítője is megosztja tapasztalatait.
