阿里云通义大模型家族全面升级，六款新模型及企业级语音基座发布，覆盖文本、视觉、语音、视频、代码、图像全场景智能应用，能力突破显著。
原文标题：你们催更的模型，云栖大会一口气全发了！
原文作者：阿里云开发者
冷月清谈：
具体来看，此次发布涵盖了多个关键领域：
**Qwen MAX**是一款参数规模超万亿的旗舰大模型，在编码与工具调用能力上表现卓越，于SWE-Bench Verified评测中得分69.6，并在国际权威数学评测AIME25中斩获满分，展现了强大的理科推理能力，支持即时交互与并行推理。
**Qwen3-Omni**是新一代原生全模态大模型，原生支持19种语言及方言输入、10种语言输出，能够处理长达30分钟的会议录音，并承诺“全模态不降智”。它采用Thinker-Talker MoE架构，在音频识别、语音生成、图像理解等多项任务上超越了Qwen2.5-Omni和GPT-4o。该模型还支持无缝嵌入车机、智能音箱等系统，实现复杂指令的精准执行。
**Qwen3-VL**作为视觉理解模型，真正实现了“看懂世界、理解事件、做出行动”，支持2小时视频精确定位，OCR语言能力扩展至32种，原生支持256K上下文并可扩展至100万token。其强化了视觉智能体、可视化编程、空间感知以及超长视频与行为分析等能力，在安全感知与风险预警方面也有显著提升。
**Qwen-Image-Edit-2509**（Qwen-Image）是图像编辑专家，本次升级支持多图参考编辑，显著强化了人脸、商品和文字的ID一致性。它原生集成ControlNet，实现了“改字不崩脸、换装不走样”的工业级稳定性，满足电商、设计等高要求场景。
**Qwen3-Coder**作为上下文代码专家，通过Agentic Coding联合训练，TerminalBench分数大幅提升，支持256K上下文，可一次性理解并修复项目级代码库，推理更快、消耗更少、安全性更高，被誉为“可一键修复复杂项目的负责任AI”，并支持多模态输入生成代码。
**Wan2.5-Preview**（通义万相2.5预览版）作为音画同步创意引擎，首次原生支持音画同步视频生成，时长提升至10秒，并全面提升了视频生成、图像生成（包括科学图表与艺术字）、图像编辑三大核心能力，满足商业级内容生产需求。
最后，阿里云还发布了全新品牌**通义百聆**，一款企业级语音基座大模型。它整合了Fun-ASR语音识别大模型和Fun-CosyVoice语音合成大模型，通过Context增强架构，将语音识别幻觉率从78.5%大幅降至10.7%，并彻底解决了串语种问题，支持热词动态注入和跨语种语音克隆，覆盖10+行业场景，致力于攻克复杂环境下的语音落地应用难题。
这些模型现在已同步上线魔搭、GitHub、Hugging Face平台，并可通过阿里云百炼平台API调用体验。
怜星夜思：
2、Qwen3-Omni和Qwen3-VL都提到很强的多模态能力，一个强调音视频+多语言，一个强调看懂世界+超长视频。大家觉得这两者如果结合起来，能在未来现实生活中解决哪些目前看起来很科幻的问题？比如给机器人做“眼睛和耳朵”，或者实现AR眼镜的“超能力”？
3、文本里提到Qwen3-Coder能“一键修复复杂项目”还强调“负责任AI”，Qwen-Image也说“改字不崩脸”。这种越来越强的AI生成和修改能力，未来会对程序员、设计师这类创意职业产生什么影响？大家是期待它成为辅助神器，还是有点担心饭碗问题？
原文内容
-
Qwen MAX：万亿参数大模型，Coding 与工具调用能力登顶国际榜单；
-
Qwen3-Omni：新一代原生全模态大模型，真正实现“全模态不降智”；
-
Qwen3-VL：Agent 和 Coding能力全面提升，真正“看懂、理解并响应世界”；
-
Qwen-Image：再升级！真正实现“改字不崩脸、换装不走样”；
-
Qwen3-Coder：256K上下文修复项目，TerminalBench分数大幅提升；
-
Wan2.5-Preview：音画同步视频生成，图像支持科学图表与艺术字；
-
通义百聆：企业级语音基座大模型，攻克企业落地语音模型的“最后一公里”；
接下来，我们将对这些模型逐项拆解，带你了解各模型核心能力与关键升级。
Qwen MAX
万亿参数旗舰模型
Qwen3-Max 是一款参数规模超万亿的大模型，智能水平相比开源 235B 版本有显著提升。Coding 能力在 SWE-Bench Verified 评测中得分69.6 ，工具调用能力在 BFCL 和 TAU2 评测中达到国际前沿水平。理科推理能力方面，在 AIME25 评测中斩获满分100分。
快速了解
-
Instruct：适用于代码生成、工具调用等即时交互任务；
-
Thinking：支持结合工具的并行推理与工具调用，Qwen3-Max推理能力创下新高，在 AIME25 和HMMT等国际权威数学评测中均斩获满分100 分。
在 AIME25（数学推理）评测中得分 81.6，显著高于 Qwen3-235B-A22B 的 70.3 分；在 SWE-Bench Verified（代码生成）中得分为 69.6。
在 SuperGPQA、LiveCodeBench、τ²-Bench 等任务上均优于 Qwen3-235B-A22B，展现更强的通用智能与编程能力。
图1：Qwen3-Max 多个权威评测基准性能对比图
Qwen3-Omni
新一代全模态大模型
Qwen3-Omni 是通义全新发布的全模态大模型，支持 19 种语言及方言输入、10 种语言输出，可处理长达 30 分钟的会议录音或播客，精准输出纪要。
模型采用 Thinker-Talker MoE 架构，在支持音视频、图像等多模态能力的同时，文本智力不打折。原生支持 Function Call 与 MCP 协议，可无缝嵌入车机、智能音箱等语音助手系统，实现“打开座椅加热并导航到公司”这类复合指令的精准执行。闭源版提供 17 种拟人音色，每种音色支持 10 语种自然表达，满足全球化企业交互需求。
该版本在音频识别、语音生成、图像理解等任务上全面超越 Qwen2.5-Omni 与 GPT-4o。在 VoiceBench-CommonEval 上得分达 90.8，展现极强的语音理解与对话能力。
图2：在开闭源评测中 22 项达 SOTA 水平
该版本在 AIME25、ZebraLogic 等文本推理任务上得分更高，语音生成（MiniMax-avg）达到 2.5803，优于 Qwen2.5-Omni 与 GPT-4o。同时，在 VoiceBench-CommonEval 上得分为 91.0，语音理解能力进一步提升，为车机、智能助手等高要求场景提供更强支持。
图3：多项指标领先开源模型
语种和方言（19种）
-
阿拉伯语、粤语、中文、荷兰语、英语、法语、德语、印尼语、意大利语、日语、韩语、马来语、葡萄牙语、俄语、西班牙语、泰语、土耳其语、乌尔都语、越南语。
语音生成（10种）
-
支持的语种：中文、英语、法语、德语、俄语、意大利语、西班牙语、葡萄牙语、日语、韩语
-
支持的方言：闽南语、吴语、粤语、四川话、北京话、南京话、天津话、陕西话
语音翻译（54种）
-
xx2En (任意语言 → 英文)
-
xx2Zh (任意语言 → 中文)
-
En2xx (英文 → 任意语言)
-
Zh2xx (中文 → 任意语言)
其中，xx（任意语言）包含的语言有：中文、英语、韩语、日语、德语、法语、意大利语、西班牙语、葡萄牙语、印尼语、泰语、阿拉伯语、粤语、越南语等。
Qwen3-VL
“看懂、理解并响应世界”的视觉理解模型
Qwen3-VL 是一款真正实现“看懂世界、理解事件、做出行动”的视觉理解模型，支持 2 小时视频精确定位（如“第15分钟穿红衣者做了什么”），OCR 语言从 19 种扩展至 32 种，生僻字、古籍、倾斜文本识别率显著提升。原生支持 256K 上下文，可扩展至 100 万 token，适配超长视频与文档分析。
256K 内定位准确率100%，1M仍达99.5%。
图4：2小时“视频大海捞针”测试
本次发布重点强化以下能力：
-
视觉智能体：可操作电脑和手机界面，识别 GUI 元素、理解按钮功能、调用工具并执行任务，在 OS World 等评测中达到世界顶尖水平；
-
可视化编程：看到 UI 设计图或流程图，可直接生成 HTML/CSS/JS 代码或 Draw.io 图表，大幅提升产品与开发协作效率；
-
空间感知与 3D Grounding：支持判断物体方位、视角变化与遮挡关系，为具身智能、机器人导航、AR/VR 等场景提供底层支持；
-
超长视频理解与行为分析：不仅能理解 2 小时视频内容，还能精准回答“第15分钟穿红衣者做了什么”“球从哪个方向飞入画面”等时序与行为问题；
-
Thinking 版本强化 STEM 推理：在 MathVista、MathVision、CharXiv 等评测中达 SOTA 水平，可精准解析科学图表、公式与文献图像；
-
视觉感知全面升级：优化预训练数据，支持“万物识别”——从名人、动漫角色、商品、地标到动植物，覆盖生活与专业场景；
-
多语言 OCR 与复杂场景支持：语言扩展至 32 种，复杂光线、模糊、倾斜文本识别更稳定，生僻字、古籍字、专业术语召回率显著提升；
-
安防感知与风险预警：在家庭、商场、街区、道路等真实场景中，对风险人物与事件的检测准确率达到行业领先水平；
-
长上下文原生支持：256K 起步，可扩展至 100 万 token，支持整本教材、数小时会议录像的全程记忆与精准检索。
Qwen-Image-Edit-2509
开源图片编辑专家
本次升级核心亮点：
-
多图编辑支持：对于多图输入，Qwen-Image-Edit-2509 基于Qwen-Image基模，不仅能够处理各种单图编辑场景，而且全新支持了多种多图编辑场景，提供“人物+人物”，“人物+商品”，“人物+场景” 等多种新玩法。
-
单图编辑一致性增强：对于单图编辑场景，Qwen-Image-Edit-2509 相比之前，显著提高了各个维度的一致性，主要体现在以下方面：
-
人物编辑一致性增强：增强人物ID保持，支持各种风格肖像、姿势变换；
-
商品编辑一致性增强：增强商品ID保持，支持各种商品海报编辑；
-
文字编辑一致性增强：除了支持文字内容修改外，还支持多种文字字体、色彩以及材质编辑；
-
原生支持ControlNet：支持包括深度图、边缘图、关键点图等引导信息。
本次更新单图输入编辑的一致性获得了显著增强，并且支持了多图输入编辑。
图5：Qwen-Image-Edit-2509图像编辑的样例
Qwen3-Coder
上下文代码专家
Qwen3-Coder 本次迎来能力升级，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”。
本次升级核心亮点：
-
Agentic Coding 联合训练：与 Qwen Code 或 Claude Code 联合优化，在 CLI 应用场景效果显著提升；
-
项目级代码理解：256K 上下文支持，可处理跨文件、多语言的复杂项目；
-
推理效率优化：相比上代模型，推理速度更快，用更少 Token 达成更优效果；
-
代码安全性提升：强化漏洞检测与恶意代码过滤，迈向“负责任的 AI”；
-
多模态输入支持：搭配 Qwen Code 系统，支持上传截图+自然语言指令生成代码，全球领先。
在 SWE-Bench Verified 上得分达70.3；TerminalBench 与 SecCodeBench 也显著上涨，展现更强的 CLI 应用生成与安全修复能力。
图6：Qwen3-Coder Plus 代码能力对比图
Wan2.5-Preview
音画同步创意引擎
通义万相 2.5 preview 版上线，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，满足广告、电商、影视等商业级内容生产需求。
🎬 视频生成 —— 会“配音”的10秒电影
-
原生音画同步：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：时长提升1倍，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；
-
指令遵循提升：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；
-
图生视频保 ID 优化：人物、商品等视觉元素一致性显著提升，商业广告与虚拟偶像场景可用；
-
通用音频驱动：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 —— 能“写字”的设计大师
-
美学质感提升：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；
-
稳定文字生成：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；
-
图表直接生成：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；
-
指令遵循提升：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 —— “改字不崩脸”的工业级修图
-
指令编辑：支持丰富编辑任务（换背景/改颜色/加元素/调风格），指令理解精准，无需专业PS技能；
-
一致性保持：支持单图/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”。
通义百聆
企业级语音基座大模型
支持热词动态注入与跨语种语音克隆，行业术语 100% 准确召回。Fun-CosyVoice 语音合成大模型采用创新性的语音解耦训练方法，大幅提升音频合成效果，并支持跨语种语音克隆。
核心能力速览：
-
幻觉率大幅下降：通过 Context 增强架构，将 CTC 初筛结果作为 LLM 上下文，幻觉率从 78.5% 降至 10.7%，输出更稳定可靠；
-
彻底解决串语种问题：CTC 解码文本输入 LLM Prompt，极大缓解英文录音输出中文等“自动翻译”现象；
-
强定制化能力：引入 RAG 机制动态注入术语库，支持人名、品牌、行业黑话（如“ROI”“私域拉新”）精准识别，5分钟完成配置；
-
跨语种语音克隆：采用多阶段训练方法，一个音色可说遍全球，声音相似度行业领先；
-
行业场景全覆盖：基于数千万小时真实音频训练，覆盖金融、教育、制造、互联网、畜牧等 10+ 行业，深入产业一线。
现阶段所有的模型已经同步上线，你可以进入魔搭、GitHub、Hugging Face 搜索模型名，一键部署，还可以登陆阿里云百炼平台调用 API，快去体验吧～
如果Qwen3-Coder真能做到，那简直是加班狗的福音啊！不过话说回来，以前也有各种代码分析工具，但总是在一些边角旮旯的问题上栽跟头。AI再强，也得看它对业务逻辑的理解深度，毕竟有时候bug不是代码本身的问题，是需求文档没写清楚。我倒是觉得，它更像是一个超级强大的“副驾驶”，帮你快速定位和修正低级错误，但核心的架构设计和疑难杂症，可能还是得靠人类的智慧和经验。期待能把我们从繁琐的Debug中解放出来，专注于更有创造性的工作！
以前那些智能助手，一听我妈说方言就歇菜。而且，文章里提到它可以处理30分钟的会议录音和播客，还精准输出纪要，这对于很多跨区域、多语言的商务会议来说，简直是秘书级别的AI啊！特别是在中国这种地域广阔、方言众多的国家，一个能“听懂”全国人民说话的AI，想想都觉得神奇。可能未来我们打开抖音、快手看到各种方言直播，AI都能即时翻译或理解，那互动性得多强啊！