Qwen 发布端到端全模态模型 Qwen2.5-Omni
Qwen 团队发布端到端全模态模型 Qwen2.5-Omni，可处理文本、图像、音频和视频输入，并以流式方式同时输出文本与自然语音。该模型采用 Thinker-Talker 架构，并提出 TMRoPE 位置嵌入来同步视频与音频时间戳，支持分块输入和即时输出的实时交互。
推荐理由：原文给出 Thinker-Talker 架构与实时语音视频交互能力，读者可据此判断端到端全模态模型的落地方式。
多模态
全部主题文本之外的能力：视觉理解、图文混合、音视频输入输出的模型与产品进展。
最新精选
第 41–50 条 · 共 50 条Qwen Blog精选AI 评分7575
Qwen Blog精选AI 评分7171 Qwen 开源 Qwen2.5-VL-32B-Instruct 视觉语言模型
Qwen 团队以 Apache 2.0 许可开源 Qwen2.5-VL-32B-Instruct，在 Qwen2.5-VL 系列基础上用强化学习继续优化。
推荐理由：官方给出 32B 视觉语言模型的基准对比与演示案例，可据此判断同规模开源多模态模型的当前水平。
Mistral AI精选AI 评分7171 Mistral AI 发布 Mistral Small 3.1，支持多模态与 128k 上下文
Mistral AI 发布 Mistral Small 3.1，在 Mistral Small 3 基础上提升文本性能与多模态理解，上下文窗口扩展至 128k tokens，推理速度达 150 tokens/秒，采用 Apache 2.0 许可。
推荐理由：官方给出 Mistral Small 3.1 在文本、多模态与长上下文上的具体提升和部署门槛，便于判断其端侧可用性。
Mistral AI精选AI 评分7777 Mistral AI 发布文档理解 API Mistral OCR
Mistral AI 发布光学字符识别 API Mistral OCR，可接收图片和 PDF，按顺序交错输出文本与图像，并支持将文档作为提示词生成 JSON 等结构化结果。
推荐理由：官方给出 Mistral OCR 的定价、基准对比与自托管选项，可据此判断多模态文档解析的选型与成本。
Qwen Blog精选AI 评分8282 Qwen 发布 Qwen2.5-VL 视觉语言模型，开源 3B、7B、72B 三个尺寸
Qwen 发布新一代旗舰视觉语言模型 Qwen2.5-VL，并开源 3B、7B、72B 的 base 与 instruct 版本，可在 Hugging Face 和 ModelScope 获取。
推荐理由：原文给出 Qwen2.5-VL 三个尺寸的开源权重与视觉智能体、长视频理解等能力变化，便于读者判断多模态模型的可选范围。
Qwen Blog精选AI 评分8282 Qwen2-VL 发布：开源 2B 与 7B 模型，72B 开放 API
Qwen2-VL 发布，这是 Qwen 系列基于 Qwen2 的新版视觉语言模型，开源 Qwen2-VL-2B 和 Qwen2-VL-7B（Apache 2.0），并开放 Qwen2-VL-72B 的 API。
推荐理由：原文给出 Qwen2-VL 的视觉理解基准表现、开源规格与视频、智能体能力，读者可据此判断多模态选型。
Qwen Blog精选AI 评分7171 Qwen2-Audio 发布：支持语音对话与音频分析
Qwen 团队发布 Qwen2-Audio，这是 Qwen-Audio 的下一代音频语言模型，可接受音频和文本输入并生成文本输出。它首次支持无需 ASR 模块的语音对话，并能按文本指令分析语音、声音和音乐，支持中文、英语、粤语、法语等 8 种以上语言和方言。
推荐理由：官方给出 Qwen2-Audio 的语音对话与音频分析能力、开源权重和调用示例，读者可据此判断音频语言模型的实际用法。
Qwen Blog精选AI 评分7474 Qwen 发布 Qwen-VL-Plus 与 Qwen-VL-Max 两个升级版多模态模型
Qwen 团队发布 Qwen-VL-Plus 和 Qwen-VL-Max 两个升级版视觉语言模型，在图像推理、细节识别与文字提取上均有提升，支持百万像素以上高清图和任意宽高比输入。
推荐理由：官方给出 Qwen-VL-Plus 与 Max 的基准对比和开放入口，可据此判断多模态模型在中文图文任务上的位置。
Qwen Blog精选AI 评分6262 Chinese CLIP：中文对比视觉语言预训练
Qwen 团队发布 Chinese CLIP，采用两阶段预训练方法将 CLIP 迁移到中文，使用 LAION-5B 中文部分、Wukong 等公开数据集，图文对总量达 2 亿。
推荐理由：原文给出两阶段预训练方法和跨模态检索对比结果，读者可据此了解中文 CLIP 的迁移路径与数据构成。
Qwen Blog精选AI 评分6262 OFA：构建 One-For-All 统一多模态预训练模型
Qwen 团队提出 OFA（One-For-All），一个统一理解与生成任务的统一多模态预训练模型，采用基于指令的多任务预训练，并开源了预训练和微调模型。OFA 统一了模态、架构和任务，用 VQ token 表示图像、用 bins 离散化边界框，预训练涵盖 8 个任务，包括视觉定位、图像描述、VQA、图文匹配、检测、图像补全和文本补全。
推荐理由：原文给出 OFA 的统一框架设计与 5 个尺寸的开源模型，读者可据此了解多模态统一模型的早期技术路线。