全新通义大模型家族上线！一文详解多领域核心优势

全新通义大模型家族上线！一文详解多领域核心优势 全新通义大模型家族上线！一文详解多领域核心优势 Modified September 25, 2025 Qwen Image Edit 2509 的另一个重要更新是提升了一致性。 第一，在人物一致性上，Qwen Image Edit 2509 比 Qwen Image Edit 有了显著提升，下面展示了各种形象照片生成的例子： 再比如，更改人物的姿势，也可以很好的保持角一致： 基于这一点，加上Qwen Image本身特色的文字生成能力，我们发现 Qwen Image Edit 2509 很擅长制作表情包： 当然，对于更长的文字，Qwen Image Edit 2509 也依然可以保持人物一致性的前提下进行渲染： 人物的一致性也体现在老照片修复上，下面是两个例子： 当然，除了真实人物，生成卡通玩偶、文创也是可以的： 第二，Qwen Image Edit 2509 专门增强了商品的一致性。我们发现，模型可以通过白底商品图很自然的制作商品海报： 或者是简单的logo： 第三，Qwen Image Edit 2509 专门增强了文字一致性，并且支持了包括字体类型编辑、字体颜色编辑和字体材质编辑。 Qwen Image Edit 2509 的另一个重要更新是提升了一致性。 第一，在人物一致性上，Qwen Image Edit 2509 比 Qwen Image Edit 有了显著提升，下面展示了各种形象照片生成的例子： 再比如，更改人物的姿势，也可以很好的保持角一致： 基于这一点，加上Qwen Image本身特色的文字生成能力，我们发现 Qwen Image Edit 2509 很擅长制作表情包： 当然，对于更长的文字，Qwen Image Edit 2509 也依然可以保持人物一致性的前提下进行渲染： 人物的一致性也体现在老照片修复上，下面是两个例子： 当然，除了真实人物，生成卡通玩偶、文创也是可以的： 第二，Qwen Image Edit 2509 专门增强了商品的一致性。我们发现，模型可以通过白底商品图很自然的制作商品海报： 或者是简单的logo： 第三，Qwen Image Edit 2509 专门增强了文字一致性，并且支持了包括字体类型编辑、字体颜色编辑和字体材质编辑。 以上就是本次更新的主要增强，祝大家使用 Qwen Image Edit2509 愉快！ 五、Qwen3 Coder plus：更快、更强、更安全 源自：https://www.xiaohongshu.com/explore/68d36c820000000013010c57?app platform=ios&app version=9.1.2&share from user hidden=true&xsec source=app share&type=normal&xsec token=CBO 7IA2I58reA0V0l 60kpmPWuYV6gyF84ddUKbaH 94=&author share=1&xhsshare=WeixinSession&shareRedId=ODlIODg2N0I2NzUyOTgwNjZJOTg2NjhC&apptime=1758729966&share id=be9344b898af410894235596fbc1fa77&wechatWid=dfb26c221ad3b64b8d26b73ac9f5f755&wechatOrigin=menu 源自：https://www.xiaohongshu.com/explore/68d36c820000000013010c57?app platform=ios&app version=9.1.2&share from user hidden=true&xsec source=app share&type=normal&xsec token=CBO 7IA2I58reA0V0l 60kpmPWuYV6gyF84ddUKbaH 94=&author share=1&xhsshare=WeixinSession&shareRedId=ODlIODg2N0I2NzUyOTgwNjZJOTg2NjhC&apptime=1758729966&share id=be9344b898af410894235596fbc1fa77&wechatWid=dfb26c221ad3b64b8d26b73ac9f5f755&wechatOrigin=menu 我们很高兴地宣布 Qwen3 Coder 现已升级，升级后的 API qwen3 coder plus 已上线阿里云百炼（Model Studio），并带来了多项重大改进： • 增强的终端（Terminal）任务能力 • 在 Terminal Bench 上的性能更优（与 Qwen Code / Claude Code 相比） • 在 SWE Bench 上的性能高达 69.6 • 更安全的代码生成 Qwen Chat 在线体验： https://chat.qwen.ai/?models=qwen3 coder plus API 文档： https://alibabacloud.com/help/en/model studio/models 8e453767fbkka 此外，我们还升级了代码产品 Qwen Code，新增了对多模态模型和子智能体（sub agent）的支持。从现在起，您可以在与 Qwen Code 协作时输入图片。 六、Wan2.5 Preview 🔗 原文链接： https://mp.weixin.qq.com/s/bAxeOBnY... https://mp.weixin.qq.com/s/bAxeOBnY... 🔗 原文链接： https://mp.weixin.qq.com/s/bAxeOBnY... https://mp.weixin.qq.com/s/bAxeOBnY... 今日，阿里在 2025杭州云栖大会上 发布 通义万相Wan2.5 Preview 系列模型， 涵盖文生视频、图生视频、文生图和图像编辑四大模型 ，其中，通义万相2.5视频生成模型能生成和画面匹配的人声、音效和音乐BGM， 首次实现音画同步的视频生成能力 ，进一步降低电影级视频创作的门槛。即日起，用户可在阿里云百炼平台调用API，或在通义万相官网直接体验。 全新的通义万相2.5在创作能力上实现了全面升级： 视频生成时长从5秒提升至10秒，单次生成可实现更完整的剧情故事 ； 支持24帧每秒的1080P高清视频生成 ，画面质量进一步提升，满足电影级场景的创作需求；与此同时，模型指令遵循能力进一步提升，在视频生成任务中可理解运镜等复杂连续变化指令控制，图像编辑任务也可以跟随指令一键实现人物变身、风格变化等效果。 相比前几代通义万相模型，通义万相2.5在技术架构上实现了重大更新： 首次采用原生多模态架构，在同一套框架下支持理解和生成等多种任务，支持文本、图像、视频、音频多种模态的输入和输出 ，能实现音画同步的视频生成等多模态能力。用户输入提示词即可生成人声、环境音效和背景音乐，并且精准与画面内容、人物口型匹配，让视频演绎更加生动形象。通义万相2.5也支持输入一段音频作为参考，来驱动文字或图片生成音画同步的视频。 No access 13403203969192511 00:00 No access 13403203969192511 00:00 通义万相2.5还全面升级了图像生成能力， 可生成中英文文字和图表，包含复杂文字排版、艺术海报、流程图、架构图等 ，同时支持图像编辑功能，输入一句话即可完成P图。 No access 0bc34ac7gaafsmacskwxtjuflygd6pqal4ya.f10002 00:00 No access 0bc34ac7gaafsmacskwxtjuflygd6pqal4ya.f10002 00:00 No access 0bc3mabycaadruafnfgrm5ufgygdqfqahaia.f10002 00:00 No access 0bc3mabycaadruafnfgrm5ufgygdqfqahaia.f10002 00:00 通义万相模型家族已支持文生图、文生视频、图生视频、人声生视频和动作生成等10多种视觉创作能力， 累计生成3.9亿张图片、7000万个视频 。自今年 2 月以来，通义万相已连续开源20多款模型，在开源社区和三方平台的下载量已超3000万。 欢迎大家阿里云百炼平台调用API，或在通义万相官网直接体验。 体验链接：https://tongyi.aliyun.com/wanxiang/generate 阿里云百炼API：https://bailian.console.aliyun.com/?tab=api /api/?type=model&url=2978215 一、Qwen3 MAX：大就是好 源自：https://qwen.ai/blog?id=241398b9cd6353de490b0f82806c7848c5d2777d&from=research.latest advancements list 源自：https://qwen.ai/blog?id=241398b9cd6353de490b0f82806c7848c5d2777d&from=research.latest advancements list 继 Qwen3 2507 系列发布之后，我们非常高兴地推出 Qwen3 Max —— 我们迄今为止规模最大、能力最强的模型。目前，Qwen3 Max Instruct 的预览版在 LMArena 文本排行榜上位列第三，超越了 GPT 5 Chat。正式版本在代码能力和智能体（agent）能力方面进一步提升，在涵盖知识、推理、编程、指令遵循、人类偏好对齐、智能体任务和多语言理解的全面基准测试中均达到业界领先水平。我们诚邀您通过阿里云 API 体验 Qwen3 Max Instruct，或直接在 Qwen Chat 上进行试用。与此同时，仍在训练中的 Qwen3 Max Thinking 已展现出非凡潜力。在结合工具使用并增加测试时计算资源的情况下，该“思考”版本已在 AIME 25、HMMT 等高难度推理基准测试中取得 100% 的准确率。我们期待在不久的将来向公众正式发布这一版本。 Qwen3 Max Base Qwen3 Max模型总参数超过1T，预训练使用了36T tokens。模型结构沿用了Qwen3系列的模型结构设计范式，使用了我们提出的global batch load balancing loss。 • 训练稳定性：得益于Qwen3的MoE模型结构设计，Qwen3 Max的预训练loss稳定平滑。训练过程一气呵成，没有任何loss尖刺，也没有使用训练回退、改变数据分布等调整策略。 • 训练高效性：在PAI FlashMoE的高效多级流水并行策略优化下，Qwen3 Max Base训练效率显著提升，其MFU相比Qwen2.5 Max Base相对提升30%。在长序列训练场景中，我们进一步使用ChunkFlow策略获得了相比序列并行方案提升3倍的吞吐收益，支持Qwen3 Max 1M长上下文的训练。同时，通过SanityCheck、EasyCheckpoint、调度链路优化等多种手段，Qwen3 Max在超大规模集群上因硬件故障造成的时间损失下降为Qwen2.5 Max的五分之一。 Qwen3 Max Instruct Qwen3 Max Instruct的预览版已在 LMArena 文本排行榜上稳居全球前三。正式发布版本进一步提升了其能力，尤其在代码生成与智能体表现方面表现卓越。在专注于解决现实编程挑战的基准测试 SWE Bench Verified 上，Qwen3 Max Instruct 取得了高达69.6分的优异成绩，稳居全球顶尖模型之列。此外，在评估智能体工具调用能力的严苛基准 Tau2 Bench 上，Qwen3 Max Instruct 更是实现了突破性表现，以74.8分超越 Claude Opus 4与 DeepSeek V3.1。 Qwen3 Max Thinking (Heavy) Qwen3 Max 的推理增强版本—— Qwen3 Max Thinking，通过集成代码解释器并运用并行测试时计算技术，展现了前所未有的推理能力，尤其在极具挑战性的数学推理基准测试 AIME 25 和 HMMT 上，均取得了满分。目前，我们正在全力推进 Qwen3 Max Thinking 的训练，期待尽快能让用户体验。 使用Qwen3 Max进行开发 现在，您可以在 Qwen Chat 官网 直接与强大的 Qwen3 Max Instruct 模型对话，体验其卓越能力。同时，该模型的 API（模型名称为 qwen3 max）也已开放使用。 Qwen Chat 官网 您只需按以下步骤操作，即可快速接入API： 1. 注册阿里云账号：点击此处注册国际版阿里云账号。 点击此处注册国际版阿里云账号 2. 开通服务：激活阿里云 Model Studio。 3. 获取密钥：登录控制台，创建您的专属 APIKey。 由于 Qwen 系列 API 完全兼容 OpenAI API 格式，您可直接沿用 OpenAI 调用方式。以下是一个使用 Python 调用 Qwen3 Max Instruct 的示例代码： 二、Qwen3 VL：明察、深思、广行 源自：https://qwen.ai/blog?id=99f0335c4ad9ff6153e517418d48535ab6d8afef&from=research.latest advancements list 源自：https://qwen.ai/blog?id=99f0335c4ad9ff6153e517418d48535ab6d8afef&from=research.latest advancements list 今天，我们正式推出全新升级的 Qwen3 VL 系列——这是迄今为止 Qwen 系列中最强大的视觉语言模型。 在这一代模型中，我们在多个维度实现了全面跃升：无论是纯文本理解与生成，还是视觉内容的感知与推理；无论是上下文长度的支持能力，还是对空间关系、动态视频的理解深度；乃至在与Agent交互中的表现，Qwen3 VL 都展现出显著进步。 今天，我们率先开源的是该系列的旗舰模型 —— Qwen3 VL 235B A22B，同时包含 Instruct 与 Thinking 两个版本。其中，Instruct 版本在多项主流视觉感知评测中，性能达到甚至超过 Gemini 2.5 Pro；而 Thinking 版本更是在众多多模态推理的评测基准下取得了 SOTA 的表现。 核心亮点 Qwen3 VL 的目标，是让模型不仅能“看到”图像或视频，更能真正看懂世界、理解事件、做出行动。为此，我们在多个关键能力维度上做了系统性升级，力求让视觉大模型从“感知”走向“认知”，从“识别”迈向“推理与执行”。 • 视觉智能体（Visual Agent）：Qwen3 VL 能操作电脑和手机界面、识别 GUI 元素、理解按钮功能、调用工具、执行任务，在 OS World 等 benchmark 上达到世界顶尖水平，能通过调用工具有效提升在细粒度感知任务的表现。 • 纯文本能力媲美顶级语言模型：Qwen3 VL 在预训练早期即混合文本与视觉模态协同训练，文本能力持续强化，最终在纯文本任务上表现与 Qwen3 235B A22B 2507 纯文本旗舰模型不相上下 —— 是真正“文本根基扎实、多模态全能”的新一代视觉语言模型。 • 视觉 Coding 能力大幅提升：实现图像生成代码以及视频生成代码，例如看到设计图，代码生成 Draw.io/HTML/CSS/JS 代码，真正实现“所见即所得”的视觉编程。 • 空间感知能力大幅提升：2D grounding 从绝对坐标变为相对坐标，支持判断物体方位、视角变化、遮挡关系，能实现 3D grounding，为复杂场景下的空间推理和具身场景打下基础。 • 长上下文支持和长视频理解：全系列模型原生支持 256K token 的上下文长度，并可扩展至 100 万 token。这意味着，无论是几百页的技术文档、整本教材，还是长达两小时的视频，都能完整输入、全程记忆、精准检索，支持视频精确定位到秒级别时刻。 • 多模态思考能力显著增强：Thinking 模型重点优化了 STEM 与数学推理能力。面对专业学科问题，模型能捕捉细节、抽丝剥茧、分析因果、给出有逻辑、有依据的答案，在 MathVision、MMMU、MathVista 等权威评测中达到领先水平。 • 视觉感知与识别能力全面升级：通过优化预训练数据的质量和广度，模型现在能识别更丰富的对象类别——从名人、动漫角色、商品、地标，到动植物等，覆盖日常生活与专业领域的“万物识别”需求。 • OCR 支持更多语言及复杂场景：支持的中英外的语言从 10 种扩展到 32 种，覆盖更多国家和地区；在复杂光线、模糊、倾斜等实拍挑战性场景下表现更稳定；对生僻字、古籍字、专业术语的识别准确率也显著提升；超长文档理解和精细结构还原能力进一步提升。 模型性能 我们从十个维度全面评估了模型的视觉能力，涵盖综合大学题目、数学与科学推理、逻辑谜题、通用视觉问答、主观体验与指令遵循、多语言文本识别与图表文档解析、二维与三维目标定位、多图理解、具身与空间感知、视频理解、智能体任务执行以及代码生成等方面。整体来看，Qwen3 VL 235B A22B Instruct 在非推理类模型中多数指标表现最优，显著超越了 Gemini 2.5 Pro 和 GPT 5 等闭源模型，同时刷新了开源多模态模型的最佳成绩，展现了其在复杂视觉任务中的强大泛化能力与综合性能。 在推理模型方面, Qwen3 VL 235B A22B Thinking 同样在多数指标上创下开源多模态模型的新高，与 Gemini 2.5 Pro 和 GPT 5 等闭源顶尖模型相比各有胜负。尤其在 Mathvision 这类复杂的多模态数学题目上，其表现甚至优于 Gemini 2.5 Pro。虽然在多学科问题、视觉推理和视频理解方面与闭源 SOTA 模型仍存在一定差距，但在 Agent 能力、文档理解、2D/3D Grounding等任务上展现出明显优势。 在纯文本任务上，无论是Qwen3 VL 235B A22B的Instruct和Thinking都表现出强大的性能，与Qwen3 235B A22B 2507的纯文本模型不相上下。 此外，Qwen3 VL 235B A22B Instruct 还支持带图推理功能。我们在四个细粒度感知与具身交互任务中验证了图像工具调用对模型性能的提升效果。实验结果显示，模型在所有四项基准测试中均取得稳定提升，充分说明“带图分析+工具调用”的结合对增强视觉感知能力具有关键作用。 在长上下文处理能力方面，我们通过“视频大海捞针”实验测试模型对超长视频的理解能力。结果显示，在 256K tokens 上下文长度下，模型准确率达到 100%；当上下文扩展至 1M tokens，对应视频时长约2小时，准确率仍保持在 99.5%，展现出极强的长序列建模能力。 为验证模型在中文和英文之外的多语言文字识别能力，我们构建了一个包含 39 种语言的测试集。测试结果表明，模型在其中 32 种语言上的识别准确率超过 70%，达到实际可用水平，显示出良好的多语言泛化能力。 模型更新 在架构上，我们仍旧采用原生动态分辨率设计，但在结构设计上进行了更新： 一是采用 MRoPE Interleave，原始MRoPE将特征维度按照时间（t）、高度（h)和宽度（w)的顺序分块划分，使得时间信息全部分布在高频维度上。我们在 Qwen3 VL 中采取了 t,h,w 交错分布的形式，实现对时间，高度和宽度的全频率覆盖，这样更加鲁棒的位置编码能够保证模型在图片理解能力相当的情况下，提升对长视频的理解能力； 二是引入 DeepStack 技术，融合 ViT 多层次特征，提升视觉细节捕捉能力和图文对齐精度；我们沿用 DeepStack 的核心思想，将以往多模态大模型（LMM）单层输入视觉tokens的范式，改为在大型语言模型 (LLM) 的多层中进行注入。这种多层注入方式旨在实现更精细化的视觉理解。 在此基础上，我们进一步优化了视觉特征 token 化的策略。具体而言，我们将来自 ViT 不同层的视觉特征进行 token 化，并以此作为视觉输入。这种设计能够有效保留从底层（low level）到高层（high level）的丰富视觉信息。实验结果表明，该方法在多种视觉理解任务上均展现出显著的性能提升。 三是将原有的视频时序建模机制 T RoPE 升级为 文本时间戳对齐机制。该机采用“时间戳 视频帧”交错的输入形式，实现帧级别的时间信息与视觉内容的细粒度对齐。同时，模型原生支持“秒数”与“时:分:秒”（HMS）两种时间输出格式。这一改进显著提升了模型对视频中动作、事件的语义感知与时间定位精度，使其在复杂时序推理任务——如事件定位、动作边界检测、跨模态时间问答等——中表现更稳健、响应更精准。 模型能力 1. 视觉Agent Qwen3 VL 不仅能看懂图片，还能像人一样操作手机和电脑，自动完成许多日常任务。例如打开应用、点击按钮、填写信息等，实现智能化的交互与自动化操作。 2. 带图推理 Qwen3 VL 可以像人类一样仔细观察图像的局部细节，并结合工具进行复杂推理。比如通过路边的路牌判断具体位置，或根据人物照片搜索相关信息，完成细粒度识别和逻辑分析任务。 3. 代码编程 结合视觉理解和代码生成能力，Qwen3 VL 在前端开发方面展现出强大潜力。例如，能把手绘草图转成网页代码，或帮助调试界面问题，提升开发效率。 4. 空间理解 Qwen3 VL 能通过图像和视频理解空间关系，判断方向、动作状态，并做出合理规划。这种能力为机器人导航、自动驾驶等需要空间感知的应用打下基础。 5. 2D/3D 定位能力 在物体定位方面，Qwen3 VL 表现更强，能在包含多个物体的复杂场景中准确定位，最多可输出上百个检测框。2D grounding 的坐标表示从绝对坐标变为相对坐标。同时支持直接预测3D边界框，还原物体在真实世界中的位置和大小。 6. 万物识别 丰富的视觉知识是理解现实世界的基础。Qwen3 VL 能够准确识别名人、美食、动植物、汽车品牌、动漫角色等，可在日常生活、社交分享、教育等多种场景中提供实用帮助。 7. 创意写作 Qwen3 VL 的写作能力进一步提升，能根据图片或视频内容生成生动的文字描述，适用于故事创作、文案撰写、短视频脚本等创意场景。 8. STEM 多学科问题解答 Qwen3 VL 在数学、物理、化学等学科问题上的解题能力显著增强。它能理解题目含义，逐步推理并反复验证，有效解决各类学习和实际中的科学问题。 9. 复杂指令遵循 Qwen3 VL 对复杂文本指令的理解能力更强，即使面对多步骤、条件判断或结构复杂的请求，也能准确理解并执行，确保任务顺利完成。 10. 复杂文档理解与通用解析 Qwen3 VL 提升了对长文档和多页文件的理解能力，无论是超宽网页还是几十页的 PDF 图片都能清晰识别。此外，除了支持 HTML 格式解析外，还新增了 QwenVL Markdown 格式，用更少的数据量保留文字、公式、表格和插图的位置信息，提升处理效率。 11. 多语言 OCR 与问答 Qwen3 VL支持的OCR语言从10种扩展到32种，涵盖希腊语、希伯来语、印地语、泰语、罗马尼亚语等多种语言，更好地满足不同国家和地区的需求。同时也支持多语言图文问答，方便跨语言交流。 12. 多图对话与多轮对话 Qwen3 VL 增强了对多张图片的理解能力，能比较差异、发现关联。在多轮对话中也表现更好，能记住上下文，持续深入讨论多个图像的内容。 13. 视频理解 Qwen3 VL 具备更强的视频理解能力，尤其在事件时间定位和长视频理解方面表现出色。它可以按时间点详细描述视频内容，即使是一个半小时的视频，也能准确回答问题。甚至可以通过观看游戏视频自动生成对应的游戏代码。 API 使用 如果需要体验 Qwen3 VL 系列最强大的模型 Qwen3 VL 235B A22B，您可直接使用我们官方提供的 API，并在这里获取 DASHSCOPE API KEY，使用示例如下： 这里 三、Qwen3 Omni：新一代原生全模态大模型！ 源自：https://qwen.ai/blog?id=fdfbaf2907a36b7659a470c77fb135e381302028&from=research.research list 源自：https://qwen.ai/blog?id=fdfbaf2907a36b7659a470c77fb135e381302028&from=research.research list Qwen3 Omni是新一代原生全模态大模型，能够无缝处理文本、图像、音频和视频等多种输入形式，并通过实时流式响应同时生成文本与自然语音输出。我们引入了多种升级来提升模型表现和效率。 主要特点： • 原生全模态：Qwen3 Omni是原生全模态大模型，预训练全模态不降智。 • 强大的性能：Qwen3 Omni在36项音频及音视频基准测试中斩获32项开源SOTA与22项总体SOTA，超越Gemini 2.5 Pro、Seed ASR、GPT 4o Transcribe等闭源强模型，同时其图像和文本性能也在同尺寸模型中达到SOTA水平。 • 多语言：Qwen3 Omni支持119种文本语言交互、19种语音理解语言与10种语音生成语言。 • 更快响应：Qwen3 Omni纯模型端到端音频对话延迟低至211ms，视频对话延迟低至507ms。 • 长音频：Qwen3 Omni支持长达30分钟音频理解。 • 个性化：Qwen3 Omni支持system prompt随意定制，可以修改回复风格，人设等。 • 工具调用：Qwen3 Omni支持function call，实现与外部工具/服务的高效集成。 • 开源通用音频Captioner：开源Qwen3 Omni 30B A3B Captioner，低幻觉且非常详细的通用音频caption模型，填补开源社区空白。 No access 通义Qwen omni中文V6 00:00 No access 通义Qwen omni中文V6 00:00 模型架构 Qwen3 Omni采用Thinker Talker架构：Thinker负责文本生成，Talker专注于流式语音Token生成，直接接收来自Thinker的高层语义表征。为实现超低延迟流式生成，Talker通过自回归方式预测多码本序列：在每一步解码中，MTP模块输出当前帧的残差码本，随后Code2Wav合成对应波形，实现逐帧流式生成。 • 创新架构设计 • AuT：音频编码器采用基于2000万小时音频数据训练的AuT模型，具备极强的通用音频表征能力。 • MoE：Thinker与Talker均采用MoE架构，支持高并发与快速推理。 • 多码本技术：Talker采用多码本自回归方案——每步生成一个编解码帧，MTP模块同步输出剩余残差码本。 • 全模态不降智 • 在文本预训练早期混合单模态与跨模态数据，可实现各模态混训性能相比纯单模态训练性能不下降，同时显著增强跨模态能力。 • 卓越的语音对话与指令跟随能力 • Qwen3 Omni在语音识别与指令跟随任务中达到Gemini 2.5 Pro相同水平。 • 实时音频和音视频交互 • AuT，Thinker, Talker + Code2wav全流程全流式，支持首帧token直接流式解码为音频输出。 模型性能 Qwen3 Omni在全方位性能评估中，其单模态任务表现与类似大小的Qwen系列单模态模型持平，尤其在音频任务中展现显著优势。该模型在36项音视频基准测试中，36项测试中的32项取得开源领域最佳性能，22项达到SOTA水平，性能超越Gemini 2.5 Pro、Seed ASR、GPT 4o Transcribe等性能强大的闭源模型。 四、Qwen Image Edit 2509: 多图编辑支持，单图一致性提升 源自：https://qwen.ai/blog?id=1675c295dc29dd31073e5b3f72876e9d684e41c6&from=research.research list 源自：https://qwen.ai/blog?id=1675c295dc29dd31073e5b3f72876e9d684e41c6&from=research.research list 这个9月，我们很高兴推出 Qwen Image Edit 2509，作为 Qwen Image Edit 的月迭代版本。如需体验最新模型，欢迎访问 Qwen Chat 并选择“图像编辑”功能。相比于8月发布的 Qwen Image Edit，Qwen Image Edit 2509 的主要特性包括： Qwen Chat • 多图编辑支持: 对于多图输入，Qwen Image Edit 2509 基于 Qwen Image Edit 结构，通过拼接方式进一步训练，从而进行了支持。提供“人物+人物”，“人物+商品”，“人物+场景” 等多种玩法。 • 单图一致性增强: 对于单图输入，Qwen Image Edit 2509 显著提高了一致性，主要体现在以下方面： ◦ 人物编辑一致性增强: 增强人脸ID保持，支持各种形象照片、姿势变换； ◦ 商品编辑一致性增强: 增强商品ID保持，支持商品海报编辑； ◦ 文字编辑一致性增强: 除了支持文字内容修改外，还支持多种文字的字体、色彩、材质编辑； ◦ 人物编辑一致性增强: 增强人脸ID保持，支持各种形象照片、姿势变换； ◦ 商品编辑一致性增强: 增强商品ID保持，支持商品海报编辑； ◦ 文字编辑一致性增强: 除了支持文字内容修改外，还支持多种文字的字体、色彩、材质编辑； • 原生支持ControlNet: 包括深度图、边缘图、关键点图等 示例展示 Qwen Image Edit 2509 的首要更新是支持了多图输入。 我们先看一个“人物+人物”的例子： 我们再看一个“人物+场景”的例子： 下面是一个“人物+物体”的例子： 实际上，多图输入也支持ControlNet常用的关键点图，比如改变人物姿势： 类似的，下面几个例子展示了3张图片的效果： 此外，定点文字编辑的能力获得了大幅增强： 值得一提的是，文字的编辑常常也可以和图像的编辑交融在一起，比如下面这个海报编辑的例子： 值得一提的是，文字的编辑常常也可以和图像的编辑交融在一起，比如下面这个海报编辑的例子： Qwen Image Edit 2509 的最后一个更新是原生支持了ControlNet的常用的图像条件，比如关键点控制、草图等。