阿里发布的Qwen3.5-Omni超越Gemini-3.1 Pro，成为全球最强全模态大模型。该模型支持113种语言，具备音视频理解与实时交互能力，能够生成复杂产品代码，提升视频处理效率，降低企业内容管理成本。

Meta推出了感知编码器视听模型（PE-AV），该模型通过对1亿个带字幕的音视频对进行训练，实现音频、视频和文本的对齐表示。PE-AV在多个基准测试中表现优异，支持跨模态检索和理解，并结合两阶段数据引擎生成合成字幕，提高了多模态监督的效率。