通义Qwen3系列模型参考

发布日期：2025/9/26 17:26:20      浏览量：

通义Qwen3系列模型参考

Qwen3-TTS-Flash
多语音、低延迟的TTS。
之前发布的Qwen-TTS，前面文章提到过它支持 7 种中英双语语音。这次更新的TTS支持了更多语言和方言。
其中不仅包含多国语言，有：普通话、英语、法语、德语、俄语、意大利语、西班牙语、葡萄牙语、日语、韩语；
还支持了更多中国方言：闽南语、吴语、粤语、四川话、北京话、南京话、天津话和陕西话。
 能够根据输入文本自动调节语气。
具有极低的首包延迟，单并发首包模型延迟低至 97 ms。
开通百炼的用户可以免费调用180天，新用户好像改成90天了。

Qwen3-ASR-Flash
在噪音环境，以及多语言混合情况下能准确识别出来  
支持11种语言以及四川话、闽南语、吴语、粤语等方言，英语支持英式、美式及多种其他地区口音  
关键是可以任意格式上下文定制，比如关键词、段落或整篇文档，
它能自动匹配人名、术语、热词，无需对上下文信息进行格式预处理 
 也支持歌唱识别，错误率低于8%  对于非语音片段，静音或背景噪声，能自动过滤

Qwen3-LiveTranslate-Flash
实时多模态翻译模型。
能识别18语言和粤语、北京话、四川话等6种方言，能说10种语言  
引入了视觉上下文增强技术，可以识别口型、动作、文字、实体，解决在嘈杂音频环境，或者是一词多译词场景下的翻译问题

Qwen3-Omni
端到端全模态AI，包括文本、图形、音频、视频都统一在一起了。
多语言：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：模型端到端音频对话延迟低至211ms，视频对话延迟低至507ms。
体验地址：
https://chat.qwen.ai/?models=qwen3-omni-flash
https://huggingface.co/spaces/Qwen/Qwen3-Omni-Demo

Qwen3-VL
主要功能
视觉交互与任务执行：Qwen3-VL 能操作电脑和手机界面，识别图形用户界面（GUI）元素，理解按钮功能，调用工具并执行任务。在 OS World 等基准测试中表现卓越，通过工具调用显著提升细粒度感知任务的表现。
强大的纯文本处理能力：从预训练初期开始， 融合文本与视觉模态的协同训练，持续强化文本处理能力。纯文本任务表现与 Qwen3-235B-A22B-2507 纯文本旗舰模型相当。
视觉编程能力：支持根据图像或视频生成代码。
空间感知与推理：2D 定位从绝对坐标升级为相对坐标，支持判断物体方位、视角变化和遮挡关系，能实现 3D 定位。
长上下文与长视频理解：全系列模型原生支持 256K token 的上下文长度，可扩展至 100 万 token。模型能完整输入、全程记忆、精准检索，支持视频精确定位到秒级别。
多模态推理与思考：Thinking 模型重点优化 STEM 和数学推理能力。面对专业学科问题，模型能捕捉细节、分析因果，给出有逻辑、有依据的答案。
全面升级的视觉感知与识别：Qwen3-VL 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，满足日常生活和专业领域的“万物识别”需求。
多语言 OCR 与复杂场景识别：OCR 支持的语言种类从 10 种扩展到 32 种，覆盖更多国家和地区。在复杂光线、模糊、倾斜等实拍场景下表现稳定，对生僻字、古籍字、专业术语的识别准确率显著提升，超长文档理解和精细结构还原能力进一步增强。

Qwen3-VL的技术原理
多模态融合：结合视觉（图像、视频）和语言（文本）模态，通过混合模态预训练，实现视觉和语言的深度融合。
架构设计：基于原生动态分辨率设计，结合 MRoPE-Interleave 技术，交错分布时间、高度和宽度信息，提升对长视频的理解能力。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。
视觉特征 token 化：将 ViT 不同层的视觉特征进行 token 化，保留从底层到高层的丰富视觉信息，提升视觉理解能力。
时间戳对齐机制：基于“时间戳-视频帧”交错输入形式，实现帧级别的时间信息与视觉内容的细粒度对齐，提升视频语义感知和时间定位精度。

Qwen3-VL的项目地址
项目官网：https://qwen.ai/blog?id=99f0335c4ad9ff6153e517418d48535ab6d8afef&from=research.latest-advancements-list
GitHub仓库：https://github.com/QwenLM/Qwen3-VL
HuggingFace模型库：https://huggingface.co/collections/Qwen/qwen3-vl-68d2a7c1b8a8afce4ebd2dbe
官网体验：Qwen Chat

Qwen3-VL的应用场景
自动化办公与任务执行：模型操作电脑和手机界面，自动完成如打开应用、填写表单等任务，提高办公效率。
视觉编程辅助：根据设计图生成网页代码，帮助开发者快速实现前端开发，提升开发效率。
教育与学习辅导：在 STEM 学科问题解答上表现出色，能为学生提供详细的解题思路和答案，辅助学习。
创意内容生成：根据图像或视频内容生成文案、故事等，为创作者提供灵感和素材，助力创意写作。
复杂文档处理：模型能解析长文档和多页文件，提取关键信息，方便用户快速获取所需内容。

Qwen3-LiveTranslate
主要功能
多语言实时翻译：支持 18 种语言（如中、英、法、德、日、韩等）及多种方言（如普通话、粤语、四川话等）的离线和实时音视频翻译。
视觉增强翻译：结合视觉上下文（如口型、动作、文字等），提升在嘈杂环境和一词多义场景下的翻译准确性。
低延迟同传：基于轻量混合专家架构与动态采样策略，实现最低 3 秒延迟的同传体验。
无损翻译质量：通过语义单元预测技术缓解跨语言调序问题，翻译质量接近离线翻译。
自然音色输出：根据原始语音内容自适应调节语气和表现力，生成拟人化的音色。

Qwen3-LiveTranslate的技术原理
多模态数据融合：结合语音、视觉等多模态数据，增强模型对上下文的理解能力。
语义单元预测：通过分析语言的语义结构，预测跨语言翻译中的调序问题，确保翻译的准确性和流畅性。
轻量混合专家架构：基于轻量级的混合专家系统，结合动态采样策略，优化计算资源分配，降低延迟。
海量音视频数据训练：基于海量多语言音视频数据进行训练，提升模型对不同语言和方言的适应能力。
视觉增强技术：用计算机视觉技术识别口型、动作等视觉信息，辅助语音翻译，提升翻译的准确性和鲁棒性。

Qwen3-LiveTranslate的项目地址
项目官网：https://qwen.ai/blog?id=b2de6ae8555599bf3b87eec55a285cdf496b78e4&from=research.latest-advancements-list
在线体验Demo：https://huggingface.co/spaces/Qwen/Qwen3-Livetranslate-Demo

Qwen3-LiveTranslate的应用场景
国际会议：为国际会议提供实时多语言翻译，确保不同语言背景的参会者即时理解会议内容，提升交流效率。
远程教育：在远程教育场景中，将教师的讲解实时翻译成学生母语，打破语言障碍，让全球学生都能无障碍学习。
跨国商务沟通：通过低延迟的实时翻译功能，帮助跨国企业进行商务谈判、电话会议等，确保沟通顺畅，避免因语言问题导致的误解。
旅游出行：游客在异国他乡可以通过语音翻译与当地人无障碍交流，轻松解决语言难题。
媒体直播：在国际新闻、体育赛事等直播场景中，实时将主播的语音翻译成多种语言，让全球观众同步收看，提升媒体的国际影响力。
Qwen3-Max
主要功能
强大的文本生成能力：模型能生成高质量、连贯的文本，涵盖多种风格和主题，满足不同场景下的写作需求。
卓越的代码生成能力：在编程挑战基准测试中表现出色，能生成高效、准确的代码，帮助开发者解决实际编程问题。
智能体（Agent）能力：具备高效的工具调用能力，支持灵活调用外部工具完成复杂任务，提升工作效率。
推理能力：推理增强版本在高难度数学推理基准测试中取得满分，展现强大的逻辑推理和问题解决能力。
多语言理解：支持多种语言的文本理解和生成，满足跨语言交流和多语言内容创作的需求。
长文本处理能力：支持 1M 长上下文的训练，能处理长文本任务，适用需要处理大量信息的场景。

Qwen3-Max的技术原理
大规模预训练：Qwen3-Max 是超大规模语言模型，总参数量超过 1 万亿，预训练使用 36 万亿 tokens。大规模的参数和数据量使模型能学习到语言的复杂模式和丰富的知识。模型通过无监督学习的方式，对海量文本数据进行预训练，目标是最大化预测下一个词的概率。这种预训练方式使模型能学习到语言的语法、语义和上下文关系。
Mixture of Experts (MoE) 模型结构：Qwen3-Max 基于 Mixture of Experts (MoE) 架构，一种高效的模型并行化方法。MoE 通过将模型分为多个“专家”（Expert），每个专家处理一部分输入数据，基于一个门控机制（Gating Mechanism）动态选择最合适的专家组合处理当前输入。
全局批处理负载平衡损失（Global-Batch Load Balancing Loss）：Qwen3-Max 引入 全局批处理负载平衡损失，一种专门针对 MoE 模型的优化技术。通过动态调整每个专家的负载，确保每个专家在训练过程中都能均匀地处理数据。
高效并行策略：Qwen3-Max 使用 PAI-FlashMoE 的高效多级流水并行策略。过优化模型的并行化方式，显著提升训练效率。
长序列训练优化：为处理长文本任务，Qwen3-Max 基于 ChunkFlow 策略。通过将长序列分割成多个小块（Chunk），用流水线的方式处理小块，显著提升长序列的训练效率。
推理增强技术代码解释器集成：Qwen3-Max 的推理增强版本（如 Qwen3-Max-Thinking）集成 代码解释器，能动态生成和执行代码，提升推理能力。
并行测试时计算：在推理过程中，Qwen3-Max 使用 并行测试时计算技术，通过并行处理多个推理任务，显著提升推理效率。

Qwen3-Max的项目地址
项目官网：https://qwen.ai/blog?id=241398b9cd6353de490b0f82806c7848c5d2777d&from=research.latest-advancements-list
官网体验：Qwen Chat

Qwen3-Max的应用场景
内容创作：模型能生成高质量的文本内容，如文章、故事、诗歌等，帮助创作者激发灵感、提高创作效率。
编程辅助：为开发者提供代码生成和优化建议，快速解决编程难题，提升开发效率。
智能客服：自动回答用户问题，提供即时的客户支持，提升用户体验和满意度。
教育辅导：模型能生成教学材料、解答学术问题，辅助学生学习和教师教学。
语言翻译：模型支持多语言理解和生成，实现高效的语言翻译和跨文化交流。

Qwen3Guard
主要功能
高效风险识别：精准识别用户输入提示和模型生成回复中的潜在风险，输出细粒度的风险等级（安全、争议性、不安全）和分类标签（如暴力、非法行为、性内容等）。
实时流式检测：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。
多语言支持：支持 119 种语言及方言，适用全球部署与跨语言应用场景，提供稳定、高质量的安全检测能力。
灵活的安全策略：引入“争议性”标签，支持根据不同应用场景灵活调整安全策略，动态将“争议性”内容重新归类为“安全”或“不安全”。
强化学习与动态干预：作为强化学习中的奖励信号源，提升模型的内在安全性，或在生成过程中即时拦截风险内容，确保输出安全可控。

Qwen3Guard的技术原理
架构设计：
Qwen3Guard-Gen：基于 Qwen3 基础架构，通过监督微调（SFT）训练，将安全分类任务转化为指令跟随任务，生成结构化的安全评估输出。
Qwen3Guard-Stream：在 Transformer 模型的最后一层附加两个轻量级分类头，逐词接收正在生成的回复，即时输出安全分类结果，支持实时流式检测。
数据收集与标注：基于 Self-Instruct 框架合成多样化的提示，结合人类撰写和模型生成的响应，通过多模型投票机制进行自动标注，确保数据质量和标注一致性。
训练方法：通过数据重平衡策略构建“争议性”标签，调整 Safe/Unsafe 比例，逼近决策边界；用知识蒸馏过滤标注噪声，提升模型分类准确性。
实时检测机制：基于逐词分类头实时监控生成内容，一旦检测到风险内容，立即触发干预机制，确保生成过程的安全性。

Qwen3Guard的项目地址
项目官网：https://qwen.ai/blog?id=f0bbad0677edf58ba93d80a1e12ce458f7a80548&from=research.research-list
GitHub仓库：https://github.com/QwenLM/Qwen3Guard
HuggingFace模型库：https://huggingface.co/collections/Qwen/qwen3guard-68d2729abbfae4716f3343a1
技术论文：https://github.com/QwenLM/Qwen3Guard/blob/main/Qwen3Guard_Technical_Report.pdf

Qwen3Guard的应用场景
内容审核：在社交媒体、在线论坛等平台实时检测和过滤有害信息，确保内容安全。
智能客服：Qwen3Guard 能确保智能客服系统在回答用户问题时不会生成不当内容，提升用户体验并保护用户隐私。
教育领域：防止在线教育平台和智能辅导系统生成误导性或不适当的内容，确保学习环境的安全和健康。
医疗健康：确保医疗咨询系统和心理健康支持系统生成的内容符合医学伦理，避免对用户造成负面影响。
政府和公共安全：实时检测和预警公共信息中的潜在安全威胁，确保政府发布的信息符合法律法规。