阿里Qwen3一大波更新：代码生成、视频、图片、语音全都有

最新推荐文章于 2025-12-04 11:52:45 发布

原创最新推荐文章于 2025-12-04 11:52:45 发布 · 695 阅读

28 ·

CC 4.0 BY-SA版权

文章标签：

#音视频

来感受一下阿里带来的一连串暴击，和亿点点震撼吧！

我们一个一个来看看。

Qwen3-Max

官方称这是 Qwen 迄今为止规模最大、能力最强的模型。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。

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。

Qwen3-VL

迄今为止 Qwen 系列中最强大的视觉语言模型。Qwen3-VL-235B-A22B，同时包含 Instruct 与 Thinking 两个版本。

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。

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。

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。

纯文本任务上，Qwen3-VL-235B-A22B 也与 Qwen3-235B-A22B-2507 纯文本模型不相上下。

多语言支持，32 种语言上的识别准确率超过 70%。

为什么这么强？模型架构也进行了更新。

Qwen3-Omni

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。

采用 Thinker-Talker 架构。卓越的语音对话与指令跟随能力，实时音频和音视频交互。

全方位性能评估中，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。

Qwen-Image-Edit-2509

8 月发布的 Qwen-Image-Edit 迭代升级版本。主要特性有：

多图编辑支持，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，包括人物，商品，文字一致性等。

原生支持ControlNet，包括深度图、边缘图、关键点图等。

Qwen3-LiveTranslate-Flash

基于大语言模型的高精度、高响应、高鲁棒性的多语言实时音视频同传模型。依托Qwen3-Omni强大的基座能力、海量多模态数据、百万小时音视频数据，Qwen3-LiveTranslate-Flash 实现了覆盖18种语言的离线和实时两种音视频翻译能力。

公开测试集上中英及多语言语音翻译，Qwen3-LiveTranslate-Flash 的准确度显著优于当前主流大模型 Gemini-2.5-Flash、GPT-4o-Audio-Preview 和 Voxtral Small-24B 等。

不同领域和复杂声学环境下均展现出持续领先的翻译性能。

Qwen3Guard

Qwen 家族中首款专为安全防护设计的护栏模型。

多项主流安全评测基准上，Qwen3Guard 表现卓越，稳居行业领先水平，全面覆盖英语、中文及多语言场景下的提示与回复安全检测任务。

提供两大专业版本，Qwen3Guard-Gen（生成式版）与 Qwen3Guard-Stream（流式检测版）。

Qwen3Guard-Stream 实时流式检测，专为低延迟设计，可在模型逐词生成回复的过程中实时进行内容审核，确保安全性的同时不牺牲响应速度。

三级风险等级分类。除传统的“安全”与“不安全”标签外，还新增了 “争议性” 标签，以支持根据不同应用场景灵活调整安全策略。

Qwen3Guard 支持 119 种语言及方言。

Qwen3-TTS-Flash

支持多音色、多语言和多方言的旗舰语音合成模型。

语音稳定性和音色相似度方面进行了全面评估，结果显示其在多项指标上都达到了SOTA性能。

在seed-tts-eval test set上，Qwen3-TTS-Flash在中英文的语音稳定性表现上均取得了SOTA成绩，超越了SeedTTS、MiniMax和GPT-4o-Audio-Preview。

在MiniMax TTS multilingual test set上，Qwen3-TTS-Flash在中文、英文、意大利语和法语的WER均达到了SOTA，显著低于MiniMax、ElevenLabs和GPT-4o-Audio-Preview。

在说话人相似度方面，Qwen3-TTS-Flash在英文、意大利语和法语均超过了上述模型，在多语言的语音稳定性和音色相似度上展现出了卓越的表现。

旅行规划师

旅行规划助手。基于 Multi-Agent 架构，具备强大真实工具调用能力的旅行规划系统，能够高效应对复杂、多变的行程安排任务。

无论你计划的是多城市连线旅行，还是单城深度游，它都能为你提供精准、可落地的旅行方案。

为每一天生成精确到小时的行程表，涵盖交通、住宿、景点、用餐等所有关键环节；附带行程总预算估算，让你提前掌握花费范围；提供行程注意事项，包括天气提醒、景点规则、交通变化等关键信息；所有路线与信息均可溯源至真实数据源，确保出行计划安全可靠。

Qwen3-Coder

上下文代码专家。本次升级通过 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”。

Wan2.5-Preview

音画同步创意引擎。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。

生成视频自带人声（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，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；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；人物、商品等视觉元素一致性显著提升；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：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；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；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；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：丰富编辑任务（换背景/改颜色/加元素/调风格），指令理解精准；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”。