你们催更的模型，云栖大会一口气全发了！

你们催更的模型，云栖大会一口气全发了！ 你们催更的模型，云栖大会一口气全发了！ Modified September 24, 2025 Qwen3 VL 是一款真正实现“看懂世界、理解事件、做出行动”的视觉理解模型，支持 2 小时视频精确定位（如“第15分钟穿红衣者做了什么”），OCR 语言从 19 种扩展至 32 种，生僻字、古籍、倾斜文本识别率显著提升。原生支持 256K 上下文，可扩展至 100 万 token，适配超长视频与文档分析。 “ 256K 内定位准确率100%，1M仍达99.5%。 图4：2小时“视频大海捞针”测试 本次发布重点强化以下能力 • 视觉智能体 ： 可操作电脑和手机界面，识别 GUI 元素、理解按钮功能、调用工具并执行任务，在 OS World 等评测中达到世界顶尖水平； • 可视化编程： 看到 UI 设计图或流程图，可直接生成 HTML/CSS/JS 代码或 Draw.io 图表，大幅提升产品与开发协作效率； • 空间感知与 3D Grounding： 支持判断物体方位、视角变化与遮挡关系，为具身智能、机器人导航、AR/VR 等场景提供底层支持； • 超长视频理解与行为分析： 不仅能理解 2 小时视频内容，还能精准回答“第15分钟穿红衣者做了什么”“球从哪个方向飞入画面”等时序与行为问题； • Thinking 版本强化 STEM 推理： 在 MathVista、MathVision、CharXiv 等评测中达 SOTA 水平，可精准解析科学图表、公式与文献图像； • 视觉感知全面升级 ： 优化预训练数据，支持“万物识别”——从名人、动漫角色、商品、地标到动植物 ，覆盖生活与专业场景； • 多语言 OCR 与复杂场景支持： 语言扩展至 32 种，复杂光线、模糊、倾斜文本识别更稳定，生僻字、古籍字、专业术语召回率显著提升； • 安防感知与风险预警： 在家 庭、商场、街区、道路等真实场景中，对风险人物与事件的检测准确率达到行业领先水平； • 长上下文原生支持 ： 256K 起步，可扩展至 100 万 token，支持整本教材、数小时会议录像的全程记忆与精准检索。 Qwen Image Edit 2509 开源图片编辑专家 Qwen Image 本次也迎来全新升级，新版本支持 多图参考编辑， 强化人脸、商品、文字 ID 一致性，并原生集成 ControlNet，实现“改字不崩脸、换装不走样”的工业级稳定性，满足电商、设计、广告等高要求场景。 本次升级核心亮点 • 多图编辑支持： 对于多图输入，Qwen Image Edit 2509 基于Qwen Image基模，不仅能够处理各种单图编辑场景，而且全新支持了多种多图编辑场景，提供“人物+人物”，“人物+商品”，“人物+场景” 等多种新玩法。 • 单图编辑一致性增强： 对于单图编辑场景，Qwen Image Edit 2509 相比之前，显著提高了各个维度的一致性，主要体现在以下方面： ◦ 人物编辑一致性增强： 增强人物ID保持，支持各种风格肖像、姿势变换； ◦ 商品编辑一致性增强： 增强商品ID保持，支持各种商品海报编辑； ◦ 文字编辑一致性增强： 除了支持文字内容修改外，还支持多种文字字体、色彩以及材质编辑； • 原生支持ControlNet： 支持包括深度图、边缘图、关键点图等引导信息。 “本次更新单图输入编辑的一致性获得了显著增强，并且支持了多图输入编辑。 图5：Qwen Image Edit 2509图像编辑的样例 Qwen3 Coder 上下文代码专家 Qwen3 Coder 本次迎来能力升级，通过 Agentic Coding 联合训练优化，TerminalBench 分数大幅上涨，在 OpenRouter 平台一度成为全球第二流行的 Coder 模型（仅次于 Claude Sonnet 4）。支持 256K 上下文，可一次性理解并修复整个项目级代码库，推理速度更快、Token 消耗更少、安全性更高，被开发者誉为“可一键修复复杂项目的负责任 AI”。 本次升级核心亮点 • Agentic Coding 联合训练 ： 与 Qwen Code 或 Claude Code 联合优化，在 CLI 应用场景效果显著提升； • 项目级代码理解 ： 256K 上下文支持，可处理跨文件、多语言的复杂项目； • 推理效率优化 ： 相比上代模型，推理速度更快，用更少 Token 达成更优效果； • 代码安全性提升 ： 强化漏洞检测与恶意代码过滤，迈向“负责任的 AI”； • 多模态输入支持 ： 搭配 Qwen Code 系统，支持上传截图+自然语言指令生成代码，全球领先。 “ 在 SWE Bench Verified 上得分达 70.3 ；TerminalBench 与 SecCodeBench 也显著上涨，展现更强的 CLI 应用生成与安全修复能力。 图6：Qwen3 Coder Plus 代码能力对比图 Wan2.5 Preview 音画同步创意引擎 通义万相 2.5 preview 版上线， 首次原生支持音画同步，全面提升视频生成、图像生成、图像编辑三大核心能力，满足广告、电商、影视等 商业级内容生产需求。 🎬 视频生成 —— 会“配音”的10秒电影 • 原生音画同步： 视频自带人声（多人）、ASMR、音效、音乐，支持中文、英文、小语种及方言，画面与声音严丝合缝； • 10秒长视频生成： 时长提升1倍，最高支持1080P 24fps，动态表现力与结构稳定性大幅提升，叙事能力跃升； • 指令遵循提升： 支持复杂连续变化指令、运镜控制、结构化提示词，精准还原用户意图； • 图生视频保 ID 优化： 人物、商品等视觉元素一致性显著提升，商业广告与虚拟偶像场景可用； • 通用音频驱动： 支持上传自定义音频作为参考，搭配提示词或首帧图生成视频，实现“用我的声音讲你的故事”。 🖼️ 文生图 —— 能“写字”的设计大师 • 美学质感提升： 真实光影、细节质感表现力增强，擅长不同艺术风格与设计质感还原； • 稳定文字生成： 支持中英文、小语种、艺术字、长文本、复杂构图精准渲染，海报/LOGO一次成型； • 图表直接生成： 可输出科学图表、流程图、数据图、架构图、文字内容表格等结构化图文； • 指令遵循提升： 复杂指令精细化理解，具备逻辑推理能力，可精准还原现实IP形象与场景细节。 ✂️ 图像编辑 —— “改字不崩脸”的工业级修图 • 指令编辑： 支持丰富编辑任务（换背景/改颜色/加元素/调风格），指令理解精准，无需专业PS技能； • 一致性保持： 支持单图/多图参考垫图，人脸、商品、风格等视觉元素ID强保持，编辑后“人还是那个人，包还是那个包”。 通义百聆 企业级语音基座大模型 通义百聆是通义实验室推出的全新品牌，是一款企业级语音基座大模型，整合了领先的 Fun ASR 语音识别大模型与 Fun CosyVoice 语音合成大模型，致力于攻克复杂环境下的语音落地应用难题。 Fun ASR 语音识别大模型专治语音识别中的 “幻觉输出”“串语种”“热词失效” 三大行业痛点。通过首创的 Context 增强架构（CTC+LLM+RAG），幻觉率从 78.5% 降至 10.7%， 基本根治串语种问题。 支持热词动态注入与跨语种语音克隆，行业术语 100% 准确召回。 Fun CosyVoice 语音合成大模型采用创新性的语音解耦训练方法，大幅提升音频合成效果，并支持跨语种语音克隆。 了解模型信息： FunAudio ASR：解决语音大模型企业落地的“最后一公里” 。 声音也能有情绪？CosyVoice 全面升级！ 核心能力速览 • 幻觉率大幅下降 ： 通过 Context 增强架构，将 CTC 初筛结果作为 LLM 上下文，幻觉率从 78.5% 降至 10.7%，输出更稳定可靠； • 彻底解决串语种问题 ： CTC 解码文本输入 LLM Prompt，极大缓解英文录音输出中文等“自动翻译”现象； • 强定制化能力 ： 引入 RAG 机制动态注入术语库，支持人名、品牌、行业黑话（如“ROI”“私域拉新”）精准识别，5分钟完成配置； • 跨语种语音克隆 ： 采用多阶段训练方法，一个音色可说遍全球，声音相似度行业领先； • 行业场景全覆盖 ： 基于数千万小时真实音频训练，覆盖金融、教育、制造、互联网、畜牧等 10+ 行业，深入产业一线。 现阶段所有的模型已经同步上线，你可以进入魔搭、GitHub、Hugging Face 搜索模型名，一键部署，还可以登陆阿里云百炼平台调用 API，快去体验吧～ 💬 今日互动： 哪项能力最让你心动？欢迎在评论区告诉我们，我们将随机抽取3位点赞排名前三的同学送出通义定制礼盒。你也可以将文章分享 给你的技术伙伴、产品经理、设计师 ......凭分享记录参与抽奖。 FunAudio ASR：解决语音大模型企业落地的“最后一公里” 声音也能有情绪？CosyVoice 全面升级！ Qwen3 VL 是一款真正实现“看懂世界、理解事件、做出行动”的视觉理解模型，支持 2 小时视频精确定位（如“第15分钟穿红衣者做了什么”），OCR 语言从 19 种扩展至 32 种，生僻字、古籍、倾斜文本识别率显著提升。原生支持 256K 上下文，可扩展至 100 万 token，适配超长视频与文档分析。 “ 256K 内定位准确率100%，1M仍达99.5%。 图4：2小时“视频大海捞针”测试 本次发布重点强化以下能力 • 视觉智能体 ： 可操作电脑和手机界面，识别 GUI 元素、理解按钮功能、调用工具并执行任务，在 OS World 等评测中达到世界顶尖水平； • 可视化编程： 看到 UI 设计图或流程图，可直接生成 HTML/CSS/JS 代码或 Draw.io 图表，大幅提升产品与开发协作效率； • 空间感知与 3D Grounding： 支持判断物体方位、视角变化与遮挡关系，为具身智能、机器人导航、AR/VR 等场景提供底层支持； • 超长视频理解与行为分析： 不仅能理解 2 小时视频内容，还能精准回答“第15分钟穿红衣者做了什么”“球从哪个方向飞入画面”等时序与行为问题； • Thinking 版本强化 STEM 推理： 在 MathVista、MathVision、CharXiv 等评测中达 SOTA 水平，可精准解析科学图表、公式与文献图像； • 视觉感知全面升级 ： 优化预训练数据，支持“万物识别”——从名人、动漫角色、商品、地标到动植物 ，覆盖生活与专业场景； • 多语言 OCR 与复杂场景支持： 语言扩展至 32 种，复杂光线、模糊、倾斜文本识别更稳定，生僻字、古籍字、专业术语召回率显著提升； • 安防感知与风险预警： 在家 庭、商场、街区、道路等真实场景中，对风险人物与事件的检测准确率达到行业领先水平； • 长上下文原生支持 ： 256K 起步，可扩展至 100 万 token，支持整本教材、数小时会议录像的全程记忆与精准检索。 Qwen Image Edit 2509 开源图片编辑专家 Qwen Image 本次也迎来全新升级，新版本支持 多图参考编辑， 强化人脸、商品、文字 ID 一致性，并原生集成 ControlNet，实现“改字不崩脸、换装不走样”的工业级稳定性，满足电商、设计、广告等高要求场景。 本次升级核心亮点 • 多图编辑支持： 对于多图输入，Qwen Image Edit 2509 基于Qwen Image基模，不仅能够处理各种单图编辑场景，而且全新支持了多种多图编辑场景，提供“人物+人物”，“人物+商品”，“人物+场景” 等多种新玩法。 • 单图编辑一致性增强： 对于单图编辑场景，Qwen Image Edit 2509 相比之前，显著提高了各个维度的一致性，主要体现在以下方面： ◦ 人物编辑一致性增强： 增强人物ID保持，支持各种风格肖像、姿势变换； ◦ 商品编辑一致性增强： 增强商品ID保持，支持各种商品海报编辑； ◦ 文字编辑一致性增强： 除了支持文字内容修改外，还支持多种文字字体、色彩以及材质编辑； ◦ 人物编辑一致性增强： 增强人物ID保持，支持各种风格肖像、姿势变换； ◦ 商品编辑一致性增强： 增强商品ID保持，支持各种商品海报编辑； ◦ 文字编辑一致性增强： 除了支持文字内容修改外，还支持多种文字字体、色彩以及材质编辑； • 原生支持ControlNet： 支持包括深度图、边缘图、关键点图等引导信息。 “本次更新单图输入编辑的一致性获得了显著增强，并且支持了多图输入编辑。 图5：Qwen Image Edit 2509图像编辑的样例 Qwen3 Coder 上下文代码专家 Qwen3 Coder 本次迎来能力升级，通过 Agentic Coding 联合训练优化，TerminalBench 分数大幅上涨，在 OpenRouter 平台一度成为全球第二流行的 Coder 模型（仅次于 Claude Sonnet 4）。支持 256K 上下文，可一次性理解并修复整个项目级代码库，推理速度更快、Token 消耗更少、安全性更高，被开发者誉为“可一键修复复杂项目的负责任 AI”。 本次升级核心亮点 • Agentic Coding 联合训练 ： 与 Qwen Code 或 Claude Code 联合优化，在 CLI 应用场景效果显著提升； • 项目级代码理解 ： 256K 上下文支持，可处理跨文件、多语言的复杂项目； • 推理效率优化 ： 相比上代模型，推理速度更快，用更少 Token 达成更优效果； • 代码安全性提升 ： 强化漏洞检测与恶意代码过滤，迈向“负责任的 AI”； • 多模态输入支持 ： 搭配 Qwen Code 系统，支持上传截图+自然语言指令生成代码，全球领先。 “ 在 SWE Bench Verified 上得分达 70.3 ；TerminalBench 与 SecCodeBench 也显著上涨，展现更强的 CLI 应用生成与安全修复能力。 图6：Qwen3 Coder Plus 代码能力对比图 Wan2.5 Preview 音画同步创意引擎 通义万相 2.5 preview 版上线， 首次原生支持音画同步，全面提升视频生成、图像生成、图像编辑三大核心能力，满足广告、电商、影视等 商业级内容生产需求。 🎬 视频生成 —— 会“配音”的10秒电影 • 原生音画同步： 视频自带人声（多人）、ASMR、音效、音乐，支持中文、英文、小语种及方言，画面与声音严丝合缝； • 10秒长视频生成： 时长提升1倍，最高支持1080P 24fps，动态表现力与结构稳定性大幅提升，叙事能力跃升； • 指令遵循提升： 支持复杂连续变化指令、运镜控制、结构化提示词，精准还原用户意图； • 图生视频保 ID 优化： 人物、商品等视觉元素一致性显著提升，商业广告与虚拟偶像场景可用； • 通用音频驱动： 支持上传自定义音频作为参考，搭配提示词或首帧图生成视频，实现“用我的声音讲你的故事”。 🖼️ 文生图 —— 能“写字”的设计大师 • 美学质感提升： 真实光影、细节质感表现力增强，擅长不同艺术风格与设计质感还原； • 稳定文字生成： 支持中英文、小语种、艺术字、长文本、复杂构图精准渲染，海报/LOGO一次成型； • 图表直接生成： 可输出科学图表、流程图、数据图、架构图、文字内容表格等结构化图文； • 指令遵循提升： 复杂指令精细化理解，具备逻辑推理能力，可精准还原现实IP形象与场景细节。 ✂️ 图像编辑 —— “改字不崩脸”的工业级修图 • 指令编辑： 支持丰富编辑任务（换背景/改颜色/加元素/调风格），指令理解精准，无需专业PS技能； • 一致性保持： 支持单图/多图参考垫图，人脸、商品、风格等视觉元素ID强保持，编辑后“人还是那个人，包还是那个包”。 通义百聆 企业级语音基座大模型 通义百聆是通义实验室推出的全新品牌，是一款企业级语音基座大模型，整合了领先的 Fun ASR 语音识别大模型与 Fun CosyVoice 语音合成大模型，致力于攻克复杂环境下的语音落地应用难题。 Fun ASR 语音识别大模型专治语音识别中的 “幻觉输出”“串语种”“热词失效” 三大行业痛点。通过首创的 Context 增强架构（CTC+LLM+RAG），幻觉率从 78.5% 降至 10.7%， 基本根治串语种问题。 支持热词动态注入与跨语种语音克隆，行业术语 100% 准确召回。 Fun CosyVoice 语音合成大模型采用创新性的语音解耦训练方法，大幅提升音频合成效果，并支持跨语种语音克隆。 了解模型信息： FunAudio ASR：解决语音大模型企业落地的“最后一公里” 。 声音也能有情绪？CosyVoice 全面升级！ FunAudio ASR：解决语音大模型企业落地的“最后一公里” 声音也能有情绪？CosyVoice 全面升级！ 核心能力速览 • 幻觉率大幅下降 ： 通过 Context 增强架构，将 CTC 初筛结果作为 LLM 上下文，幻觉率从 78.5% 降至 10.7%，输出更稳定可靠； • 彻底解决串语种问题 ： CTC 解码文本输入 LLM Prompt，极大缓解英文录音输出中文等“自动翻译”现象； • 强定制化能力 ： 引入 RAG 机制动态注入术语库，支持人名、品牌、行业黑话（如“ROI”“私域拉新”）精准识别，5分钟完成配置； • 跨语种语音克隆 ： 采用多阶段训练方法，一个音色可说遍全球，声音相似度行业领先； • 行业场景全覆盖 ： 基于数千万小时真实音频训练，覆盖金融、教育、制造、互联网、畜牧等 10+ 行业，深入产业一线。 现阶段所有的模型已经同步上线，你可以进入魔搭、GitHub、Hugging Face 搜索模型名，一键部署，还可以登陆阿里云百炼平台调用 API，快去体验吧～ 💬 今日互动： 哪项能力最让你心动？欢迎在评论区告诉我们，我们将随机抽取3位点赞排名前三的同学送出通义定制礼盒。你也可以将文章分享 给你的技术伙伴、产品经理、设计师 ......凭分享记录参与抽奖。 🔗 原文链接： https://mp.weixin.qq.com/s/O 3bPs3t... https://mp.weixin.qq.com/s/O 3bPs3t... 通义大模型2025年09月24日 11:47 浙江 6款模型上新 + 1个全新品牌发布， 覆盖文本、视觉、语音、视频、代码、图像全场景，这份超强清单，请收好： 🔹 Qwen MAX： 万亿参数大模型，Coding 与工具调用能力登顶国际榜单； 🔹 Qwen3 Omni： 新一代原生全模态大模型，真正实现“全模态不降智”； 🔹 Qwen3 VL： Agent 和 Coding能力全面提升，真正“看懂、理解并响应世界”； 🔹 Qwen Image： 再升级！真正实现“ 改字不崩脸、换装不走样”； 🔹 Qwen3 Coder： 256K上下文修复项目，TerminalBench分数大幅 提升； 🔹 Wan2.5 Preview： 音画同步视频生成，图像支持科学图表与艺术字； 🔹 通义百聆： 企业级语音基座大模型，攻克企业落地语音模型的“最后一公里”； 接下来，我们将对这些模型逐项拆解，带你了解各模型核心能力与关键升级。 Qwen MAX 万亿参数旗舰模型 Qwen3 Max 是一款参数规模 超万亿 的大模型，智能水平相比开源 235B 版本有显著提升。Coding 能力在 SWE Bench Verified 评测中预估分数超过 70 分 （当前国际最高分数水位约 73–74 分），工具调用能力在 BFCL 和 TAU2 评测中达到国际前沿水平。理科推理能力方面，在 AIME25 评测中正确率达到 98%。 本次发布包含两个版本 • Instruct： 适用于代码生成、工具调用等即时交互任务； • Thinking： 支持结合工具的深度推理与多步任务拆解，适用于复杂逻辑推演、科研解题等高阶场景，在 AIME25 评测中得分达 98%，HMMT 评测中预估冲击 95 分。 “在 AIME25（数学推理）评测中得分 81.6 ，显著高于 Qwen3 235B A22B 的 70.3 分；在 SWE Bench Verified（代码生成）中得分为 69.6 ，相比预览版 51 分 大幅提升。在 SuperGPQA、LiveCodeBench、τ² Bench 等任务上均优于 Qwen3 235B A22B，展现更强的通用智能与编程能力。 图1：Qwen3 Max 多个权威评测基准性能对比图 Qwen3 Omni 新一代全模态大模型 Qwen3 Omni 是通义全新发布的 全模态 大模型，支持 19 种 语言及方言输入、 10 种 语言输出 ，可处理 长达 30 分钟 的会议录音或播客 ，精准输出纪要。 模型采用 Thinker Talk er MoE 架构，在支持音视频、图像等多模态能力的同时，文本智力不打折。原生支持 Function Call 与 MCP 协议，可无缝嵌入车机、智能音箱等语音助手系统，实现“打开座椅加热并导航到公司”这类复合指令 的精准执行。闭源版提供 17 种 拟人音色 ，每种音色支持 10 语种自然表达，满足全球化企业交互需求。 “该版本在音频识别、语音生成、图像理解等任务上全面超越 Qwen2.5 Omni 与 GPT 4o。在 VoiceBench CommonEval 上得分达 90.8 ，展现极强的语音理解与对话能力。 图2：在开闭源评测中 22 项达 SOTA 水平 “该版本在 AIME25、ZebraLogic 等文本推理任务上得分更高，语音生成（MiniMax avg）达到 2.5803，优于 Qwen2.5 Omni 与 GPT 4o。同时，在 VoiceBench CommonEval 上得分为 91.0 ，语音理解能力进一步提升，为车机、智能助手等高要求场景提供更强支持。 图3：多项指标领先开源模型 语种和方言（19种） • 阿拉伯语、粤语、中文、荷兰语、英语、法语、德语、印尼语、意大利语、日语、韩语、马来语、葡萄牙语、俄语、西班牙语、泰语、土耳其语、乌尔都语、越南语。 语音生成（10种） • 支持的语种 ：中文 、 英语 、 法语 、 德语 、 俄语 、 意大利语 、 西班牙语 、 葡萄牙语 、 日语 、 韩语 • 支持的方言 ：闽南语 、 吴语 、 粤 语 、 四川话 、 北京话 、 南京话 、 天津话 、 陕西话 语音翻译（54种） • xx2En (任意语言 → 英文) • xx2Zh (任意语言 → 中文) • En2xx (英文 → 任意语言) • Zh2xx (中文 → 任意语言) 其中，xx（任意语言）包含的语言有：中文、英语、韩语、日语、德语、法语、意大利语、西班牙语、葡萄牙语、印尼语、泰语、阿拉伯语、粤语、越南语等。 Qwen3 VL “看懂、理解并响应世界”的视觉理解模型