Alibaba a publié Qwen3.8-Omni-Flash, un modèle dit omnimodal : il traite nativement le texte, l'image, l'audio et la vidéo dans une même architecture, avec un million de tokens de contexte. La convergence des modalités, annoncée depuis deux ans, devient un produit ordinaire qu'on publie sans cérémonie.
Nous avons couvert les modalités séparément — l'image, la voix, la vidéo. Voici ce qui se passe quand elles cessent d'être séparées.
Ce que « natif » veut dire
C'est la distinction essentielle, et elle est souvent gommée dans les annonces.
Un système assemblé enchaîne des modèles spécialisés : un pour transcrire l'audio, un pour décrire l'image, un modèle de langage qui reçoit ces descriptions en texte, puis un synthétiseur pour la réponse vocale.
Chaque conversion perd de l'information. Nous l'avons détaillé à propos des modèles vocaux natifs : une transcription jette l'hésitation, l'ironie, l'agacement. Une description d'image jette tout ce que le descripteur n'a pas jugé pertinent.
Un modèle natif traite les différentes entrées dans une même représentation interne. Il ne lit pas une description de l'image : il traite l'image. C'est ce que nous expliquions dans notre article sur les tokens d'image — une image devient une suite de tuiles manipulées comme des fragments de texte.
Ce que ça débloque concrètement
Le raisonnement entre modalités. Comprendre qu'une personne dit une chose sur un ton qui en signifie une autre, en regardant simultanément ce qu'elle montre. Un système assemblé ne peut pas faire cela, parce que l'information a été séparée avant d'arriver au raisonnement.
La vidéo longue. Un million de tokens de contexte permet de traiter des durées substantielles. Analyser une réunion enregistrée, un cours, une séquence de surveillance, en tenant compte simultanément de ce qui est dit et de ce qui est montré.
La latence. Supprimer les conversions supprime les délais cumulés, ce qui compte dès qu'on vise l'échange en temps réel.
Un système assemblé a un avantage : il est inspectable. Si la transcription est fausse, on le voit. Si la description d'image manque quelque chose, on peut la lire. Chaque étape produit un artefact vérifiable. Un modèle natif supprime ces points de contrôle intermédiaires : l'information entre et la réponse sort, sans étape lisible entre les deux. C'est le même compromis que nous avons rencontré à propos de l'opacité des modèles : la performance s'obtient en supprimant les jointures, et les jointures étaient ce qu'on pouvait examiner.
Ce que le mode de publication raconte
Il faut noter comment cette sortie arrive : sans campagne, dans le flux des publications hebdomadaires de ce laboratoire.
Il y a dix-huit mois, un modèle traitant nativement quatre modalités avec un million de tokens de contexte aurait occupé la presse spécialisée pendant une semaine. Aujourd'hui, il s'ajoute à une liste.
C'est exactement le seuil que nous décrivions hier soir : quand les annonces cessent de surprendre, ce n'est pas que rien ne se passe, c'est que ce qui se passe a cessé d'être une information.
Ce qu'il faut retenir
L'omnimodalité est l'aboutissement logique de ce que nous décrivons depuis des mois : les modèles cessent d'être spécialisés par type d'entrée pour devenir des systèmes généraux qui traitent ce qu'on leur donne.
Pour un utilisateur, la conséquence pratique est simple et elle arrive lentement : la distinction entre « l'IA qui écrit », « l'IA qui voit » et « l'IA qui entend » va disparaître des produits, comme elle est en train de disparaître des modèles.
Et le conseil habituel s'applique avec une force particulière ici : testez sur vos propres cas. Un modèle qui traite quatre modalités n'est pas nécessairement bon dans les quatre, et les annonces ne distinguent jamais lesquelles.