AIME’25滿分炸場！Qwen一波七連發，全家桶大更新

金磊 發自 凹非寺

量子位 | 公眾號 QbitAI

它來了，它來了！

新一代旗艦模型Qwen3-Max帶著滿分成績，正式地來了——

國產大模型首次在AIME25和HMMT這兩個數學評測榜單拿下100分！

和前不久Qwen3-Max-Preview一致，參數量依舊是超萬億的規模。

但這次正式的發布在版本上有了一個劃分：

• 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，雙商增強）。

剛才我們提到的數學滿分，正是思考版所拿下的成績。

至于指令版，則是在SWE-Bench評測（大模型用coding解決真實世界問題）中斬獲69.6分，位列全球第一梯隊。

以及在Tau2 Bench測試（考察Agent工具調用能力）中，超過Claude Opus4和DeepSeek V3.1，拿下74.8分的成績。

強，確實是有點強。

但有一說一，如果說Qwen3-Max是一把“火”，那么在剛剛的云棲大會上，通義團隊還散出了很多的“星”。

視覺：Qwen3-VL重磅開源

從Qwen3-Max散出來的第一個“星”，就是視覺理解模型Qwen3-VL。

其實它在今天凌晨的時候已經開源，屬于“微鮮”出爐，但確實是大家比較期待的那一個。

具體而言，這次的型號叫做Qwen3-VL-235B-A22B，同樣分為指令版和推理版。

其中，指令版本在多項主流視覺感知評測中，性能達到甚至超過Gemini 2.5 Pro；而推理版本則是在眾多多模態推理的評測基準下取得了SOTA的表現。

除此之外，Qwen3-VL-235B-A22B指令版還支持在帶圖推理，并且在四項基準測試中的成績均有所提升。

網友在看到成績之后，甚至直呼：

Qwen3-VL真是個怪物（太強了）。

實際測試效果現在也已經放出來了。

例如把一張手繪的網頁“喂”給Qwen3-VL，它就能唰唰唰地給出HTML和CSS：

再如給它下面這張圖：

并讓Qwen3-VL完成如下任務：

找出屬于以下類別的所有實例：“頭部、手部、男性、女性、眼鏡”。請以JSON格式報告邊界框坐標。

更復雜的視頻理解，Qwen3-VL也是不在話下：

更多案例可以通過下面的視頻了解一下：

視頻地址：https://mp.weixin.qq.com/s/nkNXwpDxxvFVleQ3yB-g5w

從技術層面來看，Qwen3-VL還是采用了原生動態分辨率設計，但在結構設計上進行了更新

一是采用MRoPE-Interleave。原始MRoPE按時間 (t)、高度 (h)、寬度 (w) 順序劃分，使時間信息集中在高頻維度。Qwen3-VL改為t、h、w交錯分布，實現全頻覆蓋，提升對長視頻的理解，同時保持圖像理解能力。

二是引入DeepStack，融合ViT多層特征，增強視覺細節捕捉和圖文對齊。

團隊將視覺tokens的單層注入擴展為LLM多層注入，并優化特征token化：對ViT不同層輸出分別token化并輸入模型，從而保留從低層到高層的多層次視覺信息。實驗表明，該設計顯著提升了多種視覺理解任務的表現。

三是將視頻時序建模由T-RoPE升級為 文本時間戳對齊機制。通過“時間戳-視頻幀”交錯輸入，實現幀級時間與視覺內容的精細對齊，并原生支持“秒數”和“HMS”兩種輸出。如此一來，便改進提升了模型在事件定位、動作邊界檢測、跨模態時間問答等復雜時序任務中的語義感知與時間精度。

全模態：Qwen3-Omni開源

Qwen3-Omni雖然是昨天凌晨已經開源，但在這次云棲大會中也是一同亮相，主打的就是一個全模態。

它是首個原生端到端全模態人工智能模型，在一個模型中統一了文本、圖像、音頻和視頻，并且在22個音視頻基準測試中達到了SOTA的水平。

目前已經開源的版本包括：

• Qwen3-Omni-30B-A3B-Instruct
• Qwen3-Omni-30B-A3B-Thinking
• Qwen3-Omni-30B-A3B-Captioner

不過基于Qwen3-Omni還衍生出了更多好玩且強悍的細分大模型。

例如今天發布的Qwen3-LiveTranslate就是其中一個——視、聽、說全模態同傳大模型！

目前，它已經實現了覆蓋18種語言的離線和實時兩種音視頻翻譯能力。

從公開測試的成績來看，Qwen3-LiveTranslate-Flash的準確率已經超過了Gemini-2.5-Flash、GPT-4o-Audio-Preview等：

即便是在環境嘈雜的地方，Qwen3-LiveTranslate-Flash依舊是能hold得?。?/p>

至于具體效果，來感受一下具體實操的效果：

視頻地址：https://mp.weixin.qq.com/s/nkNXwpDxxvFVleQ3yB-g5w

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

視覺增強前：什么是口罩？這是口罩，這是口罩，這是口罩，這是口罩。

視覺增強后：什么是口罩？這是面膜，這是口罩，這是面具，這是馬斯克。

網友看罷，也是有億點點震驚在身上的：

我都覺得有點恐怖了。

除了翻譯之外，Qwen版Banana——Qwen3-Image-Edit的新版本，也是非常有趣的一個模型。

不僅支持多圖融合，提供“人物+人物”，“人物+商品”，“人物+場景” 等多種玩法，還增強了人物、商品、文字等單圖一致性。

而且它還原生支持ControlNet，可通過關鍵點圖改變人物姿勢，還可輕松實現換裝需求。

編程：Qwen3-Coder升級

新升級的Qwen3-Coder-Plus玩了一套“組合拳”：Qwen Code、Claude Code系統聯合訓練。

如此打法之下，它的性能效果得到了顯著的提升；可以看到相較于之前的版本，在各項基準測試中的分數都有所增長：

與此同時，與之相關的編程產品Qwen Code也有了升級動作，增加了對多模態模型和sub-agent的支持。

換言之，你現在用Qwen Code的時候，可以輸入圖像了：

然后已經有網友開始在實測了，Qwen3-Coder-Plus打造的一座3D寶塔效果是這樣的：

Qwen的終點，不只是開源

最后，總結一下這次云棲大會中的亮點。

首先就是從前天至今，阿里通義千問已經陸陸續續發布、開源大大小小近十款模型，已經是讓國內外業界人士對阿里云的開源速度嘆為觀止。

但有一說一，在聽完阿里云智能集團董事長兼CEO吳泳銘的演講之后，我們發現，通義千問要做的事情，遠不止于此。

因為吳泳銘表示，實現AGI已然是確定性事件，但這還僅是起點，終極目標是發展出能自我迭代、全面超越人類的超級人工智能（ASI）。

而要實現ASI，則需要以互聯網為起點，經歷四個階段：

第一階段是智能涌現（學習人）、其次是自主行動（輔助人）、接下來是自我迭代（超越人），最后就是超級人工智能（ASI）。

除此之外，吳泳銘還非常有遠見地認為：

大模型將是下一代操作系統，自然語言是以后的源代碼，AI Cloud是下一代計算機。

未來全世界或只會有5-6個超級云計算平臺。

但需要明確的一點是，AI越強，人類越強。

One More Thing

哦對了，通義千問那個新一代基礎模型架構——Qwen3-Next，今天也正式發布了！

它的模型總參數量大約是80B，但實際上，僅僅在激活3B的情況下，它的性能就可以跟Qwen3-235B媲美。

計算效率，可以說是直接Pro Max了~

而且與密集模型Qwen3-32B相比，它的訓練成本降低了超90%，長文本推理吞吐量提升超過10倍。

不得不說，未來大模型的訓練和推理效率，要變得更加有意思了。

參考鏈接：
https://qwen.ai/research