你们催更的模型，在云栖大会悉数发布

6款模型上新 + 1个全新品牌发布，覆盖文本、视觉、语音、视频、代码、图像全场景，这份超强清单，请收好：

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

Qwen-Image 本次也迎来全新升级，新版本支持多图参考编辑，强化人脸、商品、文字 ID 一致性，并原生集成 ControlNet，实现“改字不崩脸、换装不走样”的工业级稳定性，满足电商、设计、广告等高要求场景。

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

通义百聆是通义实验室推出的全新品牌，是一款企业级语音基座大模型，整合了领先的Fun-ASR语音识别大模型与Fun-CosyVoice语音合成大模型，致力于攻克复杂环境下的语音落地应用难题。

Fun-ASR 语音识别大模型专治语音识别中的“幻觉输出”“串语种”“热词失效”三大行业痛点。通过首创的 Context 增强架构（CTC+LLM+RAG），幻觉率从78.5%降至10.7%，基本根治串语种问题。

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。了解模型信息：。

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～

Wan2.2-Animate发布！

不止SOTA！通义 DeepResearch模型、框架、方案全开源