阿里通义Qwen团队发布新版Qwen3-Omni-Flash-2025-12-01，作为新一代全模态大模型，能高效处理文本、图像、音频和视频输入，实现实时流式响应，生成文本与自然语音输出。升级重点提升了音视频交互体验，增强了对音视频指令的理解和执行能力，优化了口语化场景中的表现。
阿里通义千问发布新一代语音合成模型Qwen3-TTS，免费向全球开发者开放。该模型提供49种多角色音色，支持10种主流语言及10种中国方言，在词错误率上表现优于同类产品，拟人化程度高。音色库涵盖多样角色设定，如“撒娇搞怪茉兔”等，即选即用。
阿里通义Qwen团队推出Soft Adaptive Policy Optimization（SAPO），旨在解决大语言模型强化学习中策略优化不稳定的问题。相比传统硬剪切方法，SAPO通过自适应调整更新幅度，避免过于严格限制，提升训练稳定性和效率。
阿里通义实验室推出开源工具Qwen-Image-i2L，可将单张图片快速转化为可微调的LoRA模型，大幅降低个性化风格迁移门槛。用户只需上传一张图片，无需大量数据或昂贵算力，即可生成轻量级LoRA模块，并集成到其他生成模型中，实现高效“单图风格迁移”。该技术已在AI社区引发广泛关注。
Qwen2.5-Omni 是阿里云通义千问团队开发的端到端多模态模型，支持文本、音频、图像、视频输入。
Alibaba
-
Input tokens/M
Output tokens/M
Context Length
$4
$16
1k
$1
$10
256
$6
$24
$2
$20
$8
$240
52
$3.9
$15.2
64
$15.8
$12.7
$0.8
128
$54
$163
TIGER-Lab
Qwen2.5-VL-7B-Instruct是阿里巴巴通义千问团队开发的多模态视觉语言模型，基于70亿参数规模，专门针对视觉问答任务进行优化训练。该模型能够理解和分析图像内容，并生成准确的自然语言回答。
geoffmunn
这是Qwen/Qwen3-4B语言模型的GGUF量化版本，由阿里巴巴通义系列开发的40亿参数大语言模型，专为消费级硬件设计，支持强大推理、智能体工作流和多语言交互。
lmstudio-community
Qwen3-Next-80B-A3B-Instruct是阿里云通义千问团队开发的大规模语言模型，经过MLX框架4位量化优化，专门针对苹果芯片设备进行了性能优化，提供高效的推理能力。
unsloth
Qwen3-Next-80B-A3B-Instruct是阿里巴巴通义千问团队开发的最新一代大型语言模型，采用创新的混合注意力机制和高稀疏专家混合架构，在保持80B总参数的同时仅激活3B参数，实现了高效的上下文建模和推理加速，原生支持262K上下文长度并可扩展至1M令牌。
Loke-60000
Qwen3-4B-Instruct是阿里巴巴通义千问团队开发的40亿参数指令微调大语言模型，基于Qwen3架构优化，专门针对对话和指令跟随任务进行训练，具备强大的文本生成和理解能力。
Qwen3-30B-A3B-Instruct-2507是阿里巴巴通义千问团队推出的300亿参数大语言模型，专门针对指令跟随任务进行了优化。该模型支持文本生成、对话交互等多种自然语言处理任务，并通过LM Studio社区模型计划向开发者开放使用。
huynguyendbs
Qwen3-Embedding-8B是阿里巴巴通义千问团队开发的80亿参数文本嵌入模型，基于MLX库优化实现，专门用于句子相似度计算和文本特征提取任务。
ThomasBaruzier
Qwen2.5-72B-Instruct是阿里巴巴通义千问团队开发的大规模语言模型，拥有727亿参数。该模型在知识理解、编码能力、数学推理和多语言支持方面有显著提升，支持长达128K标记的上下文长度，能够生成最多8K标记的内容。
%20--%3e%3cdefs%3e%3cstyle%3e%20.st0%20{%20fill:%20%23061b40;%20}%20.st1%20{%20fill:%20%23306af1;%20}%20.st2%20{%20fill:%20%235ce5cf;%20}%20%3c/style%3e%3c/defs%3e%3cg%3e%3cpath%20class='st0'%20d='M55,10.5h9v3h-9v9h12V7.5h-12v3ZM64,19.5h-6v-3h6v3Z'/%3e%3cpolygon%20class='st0'%20points='69%2016.5%2078%2016.5%2078%2019.5%2069%2019.5%2069%2022.5%2081%2022.5%2081%2013.5%2072%2013.5%2072%2010.5%2081%2010.5%2081%207.5%2069%207.5%2069%2016.5'/%3e%3cpolygon%20class='st0'%20points='95%2010.5%2095%207.5%2083%207.5%2083%2022.5%2095%2022.5%2095%2019.5%2086%2019.5%2086%2016.5%2095%2016.5%2095%2013.5%2086%2013.5%2086%2010.5%2095%2010.5'/%3e%3cpath%20class='st0'%20d='M40,1.5v21h11.6l1.4-1.4v-7.6h0c0,0-1.4-1.5-1.4-1.5l1.4-1.4V2.9l-1.4-1.4h-11.6ZM50,19.5h-7v-6h7v6ZM50,10.5h-7v-6h7v6Z'/%3e%3c/g%3e%3cpath%20class='st1'%20d='M23.1,24L14.7,4.8l-4.9,11.2h3.8l-1.8,4H3.3L12.1,0H2C.9,0,0,.9,0,2v20c0,1.1.9,2,2,2h21.1Z'/%3e%3cpath%20class='st2'%20d='M34,0h-16.8l10.6,24h6.2c1.1,0,2-.9,2-2V2C36,.9,35.1,0,34,0ZM32.5,20h-4V4h4v16Z'/%3e%3c/svg%3e)
