机器之心报道
编辑：泽南、冷猫
全栈 AI 体系升级，覆盖全模态。
太多、太强大，这回真的看不过来了。
今天上午，阿里在 2025 云栖大会上拿出了压箱底的本领，从基础大模型到模型架构、代码专用模型、视频生成模型、全模态模型，全系列新模型正式发布，实现了全方位的技术突破。
大会现场展示了不少性能对比图、demo 演示，可见这些新模型在智能水平、Agent 工具调用、Coding 能力、深度推理、多模态等方面相较以往都有大幅的进步，而且它们很多都已可以直接上手使用和体验了。
基础模型：超越 GPT-5，探索新方向
仔细数来，通义家族这次共有七款新模型。
旗舰模型方面，新一代旗舰模型通义千问 Qwen3-Max 预览版此前已经发布，其性能已跻身全球第三，超过了 GPT5、Claude Opus 4 等人们耳熟能详的业内顶尖模型。
本次云栖大会，Qwen3-Max 正式发布。
Qwen3-Max 的总参数量超过 1 万亿，分为指令（Instruct）和推理（Thinking）两大版本，新模型在中英文理解、复杂指令遵循、模型工具调用能力和编程能力上实现了突破，智力和情商都大幅增强，与此同时大幅减少了大模型幻觉，在更智能的同时也更加可靠。
具体能力上，Qwen3-Max 在大模型用 Coding 解决真实世界问题的 SWE-Bench 评测中获得了 69.6 分，位列全球第一梯队。在聚焦 Agent 工具调用能力的 Tau2 Bench 测试上，Qwen3-Max 取得突破性的 74.8 分，超过 Claude Opus4 和 DeepSeek V3.1。
推理增强版本 Qwen3-Max-Thinking-Heavy 可实现结合工具的深度思考，深度推理能力实现重大突破，在 AIME25、HMMT 等数学能力评测中获得满分，是国内首次。
Qwen3-Max 推理模型之所以能力强大，是因为大模型在解题时懂得调动工具，自行写代码做题。另外，增加测试时的计算资源，也能让模型表现变得更好。
在旗舰模型 Qwen3-Max 取得超高性能之外，通义正在探索下一代大模型的前进方向，这次正式发布了千问下一代的基础模型架构 Qwen3-Next 及其系列模型。
众所周知，大模型目前的发展趋势是上下文长度与参数规模两方面的持续扩展。Qwen3-Next 顺应大模型的发展趋势而进行设计，针对性地引入了多项创新：包括混合注意力机制、高稀疏度的 MoE 架构以及多 Token 预测（MTP）机制等核心技术，从而在性能与效率之间实现更优的平衡。
Qwen3-Next 模型总参数为 80B，仅激活 3B ，性能即就可媲美千问 3 旗舰版 235B 模型，实现了模型计算效率的重大突破，模型训练成本较密集模型 Qwen3-32B 大降超 90%，长文本推理吞吐量提升 10 倍以上，为未来大模型的训练和推理的效率树立了全新标准。
除了旗舰级别的大模型，这次发布的模型还覆盖了广泛的专项领域。
专用、多模态模型：进入专业级，填补开源空白
例如大模型最广泛应用的编程领域，千问编程模型 Qwen3-Coder 进行了重磅升级。全新的 Qwen3-Coder 结合了领先的编程系统 Qwen Code 与 Claude Code 进行联合训练，具有非常强大的代码生成和补全能力，更快的推理速度，更安全的代码生成。
Qwen3-Coder 目前已经完全开源，在社区好评如潮，曾在知名 API 调用平台 OpenRouter 上的调用量激增 1474%，全球第二。
另外在多模态领域，千问重磅发布了视觉理解模型 Qwen3-VL，是 Qwen 系列迄今为止最强大的视觉语言模型。该模型一经推出就引起了广泛的讨论。
其核心模型 Qwen3-VL-235B-A22B 现已开源，并提供 Instruct 和 Thinking 两种版本：Instruct 在关键视觉基准测试中优于 Gemini 2.5 Pro；Thinking 在多模态推理任务上达到 SOTA 性能 。
从「看见」到「理解」，从「识别」到「推理与行动」，Qwen3-VL 具备「视觉智能体」（Visual Agent）、「视觉编程」（Visual Coding）以及 3D Grounding（3D 检测）等能力。
Qwen3-VL 能够自主进行电脑和手机界面的操作，识别 GUI 元素、理解按钮功能，还可以通过调用工具执行任务，实现 o3 级别的「带图推理」功能；能够根据设计草图或小游戏视频，生成可执行的 Draw.io/HTML/CSS/JS 代码，完美复刻「所见即所得」的视觉编程。
此外，Qwen3-VL 将上下文拓展至百万 tokens，将视频理解时长拓展到 2 小时以上。现在，无论是几百页技术文档、整本教材，还是长达数小时的会议录像、教学视频，都能一股脑丢进去，模型可以全程记忆，实现精准检索。
面向具身智能的空间感知，Qwen3-VL 专门增强了 3D 检测（grounding）能力，可让机器人更好地判断物体方位、视角变化和遮挡关系。
令人惊喜的是，全模态模型 Qwen3-Omni 这次开源了三大版本：
Qwen3-Omni-30B-A3B-Instruct、
Qwen3-Omni-30B-A3B-Thinking 和
Qwen3-Omni-30B-A3B-Captioner。
它们在 36 项音视频领域公开评测中狂揽 32 项开源最佳性能 SOTA，音频识别、理解、对话能力比肩 Gemini2.5-pro。Qwen3-Omni 能够完全覆盖文本、图像、音频、视频等全模态输入，实时流式响应，可以实现像真人一样实时对话，甚至可以设定个性化角色，打造专属的个人 IP。
其中，
Qwen3-Omni-30B-A3B-Captioner 为全球首次开源的通用音频 caption 模型，可以清晰描述用户输入音频的特征，填补了开源社区的空白。
图片编辑模型 Qwen3-Image-Edit 也同样进行了版本更新，新模型支持多图编辑，单图一致性显著提升。
通义大模型家族中的视觉基础模型通义万相，一直是多模态视觉生成领域的领头羊，在图像生成、视频生成、数字人和世界模型等领域保持前列，受到用户的广泛欢迎。至今为止，通义万相已经累计生成 3.9 亿张图像，7000 万个视频。
这次推出了 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。
Wan2.5 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，进一步降低了电影级视频创作的门槛。该模型视频生成的时长达到 10 秒，支持 24 帧每秒的 1080P 高清视频生成，并进一步提升了模型指令遵循能力。Wan2.5-preview 系列模型真正让视频生成迈入「电影级全感官叙事时代」。
此次，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，支持图像编辑功能，输入一句话即可完成图像处理。
这里还有 one more thing：云栖大会上，通义大模型家族迎来了最新成员 —— 语音大模型通义百聆 Fun。
它包括语音识别大模型 Fun-ASR 和语音合成大模型 Fun-CosyVoice。据通义团队介绍，Fun-ASR 由数千万小时真实语音数据训练而成，具备强大的上下文理解能力与适用性。Fun-CosyVoice 则可以提供上百种预制音色，可以用于客服、销售、直播电商、消费电子、有声书、儿童娱乐等落地场景。
引爆科技圈的 Qwen，已经完成了整体布局
至此，通义大模型家族完成了最后一块拼图，它覆盖了从 0.5B 到 480B 的「全尺寸」，基础模型、编程、图像、语音、视频的「全模态」，全面开源，现在还又更新了一遍。
在 AI 圈里，通义早已是全球范围内不可忽视的一股力量，它的每次发布都会在国内外引发关注和讨论。自去年 9 月超越 Llama 成为衍生模型数量第一以来，千问大模型持续快速发展，其开源的模型不仅在多项关键性能评测中取得领先，更能以先进的架构、效率的优势，深刻影响着 AI 技术各方向的普及和应用。
在云栖大会上，阿里公布了通义的一系列最新成绩：截至目前，阿里已开源 300 余款通义大模型，全球下载量突破 6 亿次，衍生模型突破 17 万个，稳居全球第一，有超过 100 万家客户接入了通义大模型。
阿里还表示，未来三年将投入超过 3800 亿元用于建设云和 AI 硬件基础设施，持续升级全栈 AI 能力。
阿里巴巴集团董事兼 CEO、阿里云智能集团董事长兼 CEO 吴泳铭表示，实现 AGI，现在看来已成为确定性事件。但 AGI 并非 AI 发展的终点，而是全新的起点。AI 不会止步于 AGI，它将迈向超越人类智能、能够自我迭代进化的超级人工智能（ASI）。
阿里云的战略路径，一是坚定通义千问的开源开放路线，打造「AI 时代的安卓系统」，二是构建作为「下一代计算机」的超级 AI 云，为全球提供智能算力网络。
未来，大模型将会替代现代操作系统（OS）的地位，成为链接所有真实世界工具的接口。所有用户需求和行业应用将会通过大模型相关工具执行任务，LLM 将会是承载用户、软件与 AI 计算资源交互调度的中间层。
AI 的格局，将会被开源模型所改变。
