七连发！阿里多款重磅发布亮相云栖大会

9月24日，2025云栖大会现场，阿里云CTO周靖人接连发布了七款大模型技术产品。七款技术产品覆盖语言、语音、视觉、多模态、代码等模型领域，在模型智能水平、Agent工具调用以及Coding能力、深度推理、多模态等方面均实现突破。

在大语言模型中，阿里通义旗舰模型Qwen3-Max全新亮相，性能超过GPT5、Claude Opus 4等，跻身全球前三。Qwen3-Max包括指令（Instruct）和推理（Thinking）两大版本，其预览版已在 Chatbot Arena 排行榜上位列第三，正式版性能可望再度实现突破。

Qwen3-Max是通义千问家族中最大、最强的基础模型，预训练数据量达36T，总参数超过万亿，拥有极强的Coding编程能力和Agent工具调用能力。在大模型用Coding解决真实世界问题的SWE-Bench Verified测试中，Instruct版本斩获69.6分，位列全球第一梯队；在聚焦Agent工具调用能力的Tau2-Bench测试中，Qwen3-Max取得突破性的74.8分，超过Claude Opus4和DeepSeek-V3.1。Qwen3-Max推理模型也展现出非凡性能，结合工具调用和并行推理技术，其推理能力创下新高，尤其在聚焦数学推理的AIME 25和HMMT测试中，均达到突破性的满分100分，为国内首次。

下一代基础模型架构Qwen3-Next及系列模型正式发布，模型总参数80B仅激活 3B ，性能即可媲美千问3旗舰版235B模型，实现模型计算效率的重大突破。Qwen3-Next针对大模型在上下文长度和总参数两方面不断扩展（Scaling）的未来趋势而设计，创新改进采用了混合注意力机制、高稀疏度 MoE 结构、多 token 预测（MTP）机制等核心技术，模型训练成本较密集模型Qwen3-32B大降超90%，长文本推理吞吐量提升10倍以上，为未来大模型的训练和推理的效率设立了全新标准。

在专项模型方面，千问编程模型Qwen3-Coder重磅升级。新的Qwen3-Coder与Qwen Code、Claude Code系统联合训练，应用效果显著提升，推理速度更快，代码安全性也显著提升。Qwen3-Coder此前就广受开发者和企业好评，代码生成和补全能力极强，可一键完成完整项目的部署和问题修复，开源后调用量曾在知名API调用平台OpenRouter上激增1474%，位列全球第二。

在多模态模型中，千问备受期待的视觉理解模型Qwen3-VL重磅开源，在视觉感知和多模态推理方面实现重大突破，在32项核心能力测评中超过Gemini2.5-Pro和GPT5。Qwen3-VL拥有极强的视觉智能体和视觉Coding能力，不仅能看懂图片，还能像人一样操作手机和电脑，自动完成许多日常任务。输入一张图片，Qwen3-VL可自行调用agent工具放大图片细节，通过更仔细的观察分析，推理出更好的答案；看到一张设计图，Qwen3-VL 就能生成Draw.io/HTML/CSS/JS 代码，“所见即所得”地完成视觉编程。此外，Qwen3-VL还升级了3D Grounding（3D检测）能力，为具身智能夯实基础；扩展支持百万tokens上下文，视频理解时长扩展到2小时以上。

全模态模型Qwen3-Omni惊喜亮相，音视频能力狂揽32项开源最佳性能SOTA，可像人类一样听说写，应用场景广泛，未来可部署于车载、智能眼镜和手机等。用户还可设定个性化角色、调整对话风格，打造专属的个人IP。类似于人类婴儿一出生就全方位感知世界，Qwen3-Omni一开始就加入了“听”、“说”、“写”多模态混合训练。在预训练过程中，Qwen3-Omni采用了混合单模态和跨模态数据。此前，模型在混合训练后，各个功能会相互掣肘甚至降智，比如音频理解能力提升，文字理解能力反而降低了。但Qwen3-Omni在实现强劲音频与音视频能力的同时，单模态文本与图像性能均保持稳定，这是业内首次实现这一训练效果。

通义万相是通义大模型家族中的视觉基础模型，此次推出Wan2.5-preview系列模型，涵盖文生视频、图生视频、文生图和图像编辑四大模型。通义万相2.5视频生成模型能生成和画面匹配的人声、音效和音乐BGM，首次实现音画同步的视频生成能力，进一步降低电影级视频创作的门槛。通义万相2.5视频生成时长从5秒提升至10秒，支持24帧每秒的1080P高清视频生成，并进一步提升模型指令遵循能力。此次，通义万相2.5还全面升级了图像生成能力，可生成中英文文字和图表，支持图像编辑功能，输入一句话即可完成P图。

此次云栖大会上，通义大模型家族还迎来了全新成员——语音大模型通义百聆。百聆新发布了语音识别大模型Fun-ASR和语音合成大模型Fun-CosyVoice。Fun-ASR基于数千万小时真实语音数据训练而成，具备强大的上下文理解能力与行业适应性；Fun-CosyVoice可提供上百种预制音色，可以用于客服、销售、直播电商、消费电子、有声书、儿童娱乐等场景。

从0.5B到超万亿，包含三百个大模型的通义大模型家族覆盖“全尺寸”，囊括LLM、编程、图像、语音、视频等“全模态”，可满足从智能终端到云上的多场景需求。自2023年开源第一款模型以来，通义大模型在全球下载量突破6亿次，衍生模型突破17万个，已发展成为全球第一开源模型。除了惠及AI开发者，通义衍生模型的开发机构还覆盖海内外国知名企业，包括苹果、英伟达、微软、DeepSeek和字节跳动等。截至目前，通义大模型已服务超100万客户。沙利文报告显示，2025年上半年，在中国企业级大模型调用市场中，通义位列第一。（记者 李春炜）