它来了，它来了！

新一代旗舰模型Qwen3-Max带着满分成绩，正式地来了——

国产大模型首次在 AIME25 和 HMMT 这两个数学评测榜单拿下100 分！

和前不久 Qwen3-Max-Preview 一致，参数量依旧是超万亿的规模。

但这次正式的发布在版本上有了一个划分：

指令版（Instruct）

思考版（Thinking）

而且 Qwen3-Max 在性能上也有了一定的提升（情商智商，双商增强）。

刚才我们提到的数学满分，正是思考版所拿下的成绩。

至于指令版，则是在 SWE-Bench 评测（大模型用 coding 解决真实世界问题）中斩获 69.6 分，位列全球第一梯队。

以及在 Tau2 Bench 测试（考察 Agent 工具调用能力）中，超过 Claude Opus4 和 DeepSeek V3.1，拿下 74.8 分的成绩。

强，确实是有点强。

但有一说一，如果说 Qwen3-Max 是一把 " 火 "，那么在刚刚的云栖大会上，通义团队还散出了很多的 " 星 "。

视觉：Qwen3-VL 重磅开源

从 Qwen3-Max 散出来的第一个 " 星 "，就是视觉理解模型Qwen3-VL。

其实它在今天凌晨的时候已经开源，属于 " 微鲜 " 出炉，但确实是大家比较期待的那一个。

具体而言，这次的型号叫做Qwen3-VL-235B-A22B，同样分为指令版和推理版。

其中，指令版本在多项主流视觉感知评测中，性能达到甚至超过 Gemini 2.5 Pro；而推理版本则是在众多多模态推理的评测基准下取得了 SOTA 的表现。

除此之外，Qwen3-VL-235B-A22B 指令版还支持在带图推理，并且在四项基准测试中的成绩均有所提升。

网友在看到成绩之后，甚至直呼：

Qwen3-VL 真是个怪物（太强了）。

实际测试效果现在也已经放出来了。

例如把一张手绘的网页 " 喂 " 给 Qwen3-VL，它就能唰唰唰地给出 HTML 和 CSS：

再如给它下面这张图：

并让 Qwen3-VL 完成如下任务：

找出属于以下类别的所有实例：" 头部、手部、男性、女性、眼镜 "。请以 JSON 格式报告边界框坐标。

更复杂的视频理解，Qwen3-VL 也是不在话下：

更多案例可以通过下面的视频了解一下：

从技术层面来看，Qwen3-VL 还是采用了原生动态分辨率设计，但在结构设计上进行了更新

一是采用 MRoPE-Interleave。原始 MRoPE 按时间 ( t ) 、高度 ( h ) 、宽度 ( w ) 顺序划分，使时间信息集中在高频维度。Qwen3-VL 改为 t、h、w 交错分布，实现全频覆盖，提升对长视频的理解，同时保持图像理解能力。

二是引入 DeepStack，融合 ViT 多层特征，增强视觉细节捕捉和图文对齐。

团队将视觉 tokens 的单层注入扩展为 LLM 多层注入，并优化特征 token 化：对 ViT 不同层输出分别 token 化并输入模型，从而保留从低层到高层的多层次视觉信息。实验表明，该设计显著提升了多种视觉理解任务的表现。

三是将视频时序建模由 T-RoPE 升级为 文本时间戳对齐机制。通过 " 时间戳 - 视频帧 " 交错输入，实现帧级时间与视觉内容的精细对齐，并原生支持 " 秒数 " 和 "HMS" 两种输出。如此一来，便改进提升了模型在事件定位、动作边界检测、跨模态时间问答等复杂时序任务中的语义感知与时间精度。

全模态：Qwen3-Omni 开源

Qwen3-Omni 虽然是昨天凌晨已经开源，但在这次云栖大会中也是一同亮相，主打的就是一个全模态。

它是首个原生端到端全模态人工智能模型，在一个模型中统一了文本、图像、音频和视频，并且在 22 个音视频基准测试中达到了 SOTA 的水平。

目前已经开源的版本包括：

Qwen3-Omni-30B-A3B-Instruct

Qwen3-Omni-30B-A3B-Thinking

Qwen3-Omni-30B-A3B-Captioner

不过基于 Qwen3-Omni 还衍生出了更多好玩且强悍的细分大模型。

例如今天发布的Qwen3-LiveTranslate就是其中一个——视、听、说全模态同传大模型！

目前，它已经实现了覆盖 18 种语言的离线和实时两种音视频翻译能力。

从公开测试的成绩来看，Qwen3-LiveTranslate-Flash 的准确率已经超过了 Gemini-2.5-Flash、GPT-4o-Audio-Preview 等：

即便是在环境嘈杂的地方，Qwen3-LiveTranslate-Flash 依旧是能 hold 得住：

至于具体效果，来感受一下具体实操的效果：

英文原文：What is   mask? This is   mask. This is   mask. This is   mask. This is   Musk.

视觉增强前：什么是口罩？这是口罩，这是口罩，这是口罩，这是口罩。

视觉增强后：什么是口罩？这是面膜，这是口罩，这是面具，这是马斯克。

网友看罢，也是有亿点点震惊在身上的：

我都觉得有点恐怖了。

除了翻译之外，Qwen 版 Banana —— Qwen3-Image-Edit 的新版本，也是非常有趣的一个模型。

不仅支持多图融合，提供 " 人物 + 人物 "，" 人物 + 商品 "，" 人物 + 场景 " 等多种玩法，还增强了人物、商品、文字等单图一致性。

而且它还原生支持 ControlNet，可通过关键点图改变人物姿势，还可轻松实现换装需求。

编程：Qwen3-Coder 升级

新升级的Qwen3-Coder-Plus玩了一套 " 组合拳 "：Qwen Code、Claude Code 系统联合训练。

如此打法之下，它的性能效果得到了显著的提升；可以看到相较于之前的版本，在各项基准测试中的分数都有所增长：

与此同时，与之相关的编程产品Qwen Code也有了升级动作，增加了对多模态模型和 sub-agent 的支持。

换言之，你现在用 Qwen Code 的时候，可以输入图像了：

然后已经有网友开始在实测了，Qwen3-Coder-Plus 打造的一座 3D 宝塔效果是这样的：

Qwen 的终点，不只是开源

最后，总结一下这次云栖大会中的亮点。

首先就是从前天至今，阿里通义千问已经陆陆续续发布、开源大大小小近十款模型，已经是让国内外业界人士对阿里云的开源速度叹为观止。

但有一说一，在听完阿里云智能集团董事长兼 CEO吴泳铭的演讲之后，我们发现，通义千问要做的事情，远不止于此。

因为吴泳铭表示，实现 AGI 已然是确定性事件，但这还仅是起点，终极目标是发展出能自我迭代、全面超越人类的超级人工智能（ASI）。

而要实现 ASI，则需要以互联网为起点，经历四个阶段：

第一阶段是智能涌现（学习人）、其次是自主行动（辅助人）、接下来是自我迭代（超越人），最后就是超级人工智能（ASI）。

除此之外，吴泳铭还非常有远见地认为：

大模型将是下一代操作系统，自然语言是以后的源代码，AI Cloud 是下一代计算机。

未来全世界或只会有 5-6 个超级云计算平台。

但需要明确的一点是，AI 越强，人类越强。

One More Thing

哦对了，通义千问那个新一代基础模型架构——Qwen3-Next，今天也正式发布了！

它的模型总参数量大约是 80B，但实际上，仅仅在激活 3B 的情况下，它的性能就可以跟 Qwen3-235B 媲美。

计算效率，可以说是直接 Pro Max 了 ~

而且与密集模型 Qwen3-32B 相比，它的训练成本降低了超 90%，长文本推理吞吐量提升超过 10 倍。

不得不说，未来大模型的训练和推理效率，要变得更加有意思了。

参考链接：

https://qwen.ai/research

一键三连「点赞」「转发」「小心心」

欢迎在评论区留下你的想法！

—  完  —

点亮星标

科技前沿进展每日见