Alibaba lancerer AI-model der forstår lyd og video

Det kinesiske techselskab Alibaba har lanceret en ny AI-model kaldet Qwen3.8-Omni-Flash. Modellen kan forstå tekst, billeder, lyd og video på samme tid, og den kan selv bruge digitale værktøjer til at løse opgaver, for eksempel at søge på nettet.

En af de store nyheder er, at modellen kan analysere lange videoer og lave referater ud fra dem. Den kan også reagere i realtid, hvilket gør den velegnet til opgaver, hvor man har brug for et hurtigt svar, mens man taler eller viser noget frem.

Modellen har et såkaldt kontekstvindue på op til 1 million tokens. Kort fortalt er tokens de stykker tekst og data, en AI-model arbejder med ad gangen. Et stort kontekstvindue betyder, at modellen kan huske og arbejde med store mængder information i én omgang, for eksempel en hel lang video eller mange dokumenter samtidig.

Ifølge Alibaba klarer den nye model sig markant bedre end den tidligere udgave, Qwen3.5-Omni-Plus, med en fremgang på over 25 procent på tværs af en række tests. Prisen for at bruge lyd i modellen er samtidig sat kraftigt ned, med over 98 procent, sammenlignet med den gamle model.

Qwen3.8-Omni-Flash er indtil videre kun tilgængelig gennem Alibabas egen skyplatform, altså som betalt adgang for udviklere og virksomheder. Der er ikke frigivet såkaldte åbne vægte, som ellers har været et kendetegn ved flere tidligere Qwen-modeller, så man kan ikke selv downloade og køre modellen på sin egen server denne gang.

For almindelige danske brugere vil modellen typisk ikke blive mødt direkte, men i praksis gennem apps og tjenester, der bygger ovenpå Alibabas teknologi, for eksempel værktøjer til automatiske mødereferater eller videoanalyse.